klustringsmetod

En klustringsmetod är en teknik inom unsupervised maskininlärning som syftar till att dela in objekt i grupper (kluster) där objekten inom samma kluster är mer lika varandra än objekten i olika kluster. Klustring används för att upptäcka struktur och mönster i data utan etiketter och kan ligga till grund för vidare analys, segmentering eller tolkning av egenskaper.

Huvudkategorier och vanliga algoritmer omfattar partitioneringsmetoder som k-means och k-medoids, som delar data i ett förutbestämt antal kluster genom att minimera avvikelsen inom kluster. Hierarkisk klustring bygger antingen uppifrån och ned eller nedifrån och upp och resulterar i en trädstruktur där kluster kan skiljas på olika nivåer. Densitetsbaserade metoder som DBSCAN och OPTICS identifierar kluster som tätare regioner i data och fungerar bra med oregelbundna former samt i närvaro av brus. Modellbaserade metoder som Gaussian mixture models antar att data kommer från blandningar av distributioner och används ofta när man vill ha sannolikhetsbaserade kluster. Gridbaserade metoder används främst för stora datamängder där utrymmet delas upp i ett rutnät för snabbare bearbetning.

Utvärdering och valet av antal kluster är ofta utmanande eftersom det finns få universella riktlinjer. Vanliga tekniker inkluderar silhouette-koefficienten, Davies-Bouldin-index och gap-statistiken, samt visuella metoder som elbow-kurvor baserade på within-cluster sum of squares. Valet av avståndsmetod och skalning av data påverkar resultatet av klustringen avsevärt.

Användningsområden inkluderar marknadssegmentering, bild- och dokumentklustring, bioinformatik och andra sammanhang där man vill upptäcka strukturer utan förväntade etiketterna. Praktiska överväganden är bland annat behov av dataförberedelse, hantering av olika variabeltyper, höga dimensioner och initialiseringens påverkan på resultatens stabilitet.