Кластеризация (clustering)

Кластеризация (clustering) - вычислительная процедура автоматического объединения объектов или наблюдений в группы на основе их сходства, обычно без заранее заданных правильных ответов или целевых меток.

Что означает термин

Кластеризация разбивает множество объектов на группы, называемые кластерами. Объекты внутри одного кластера должны быть более близкими друг к другу по выбранному критерию сходства, чем к объектам других кластеров.

Кластеризация относится к методам обучения без учителя: группы формируются по свойствам самих данных, а не по заранее указанным категориям.

Как устроено

Алгоритм кластеризации сравнивает объекты по их признакам и распределяет их по группам. Результат зависит от представления объектов и способа измерения сходства. Близость внутри группы и удалённость между группами являются целевыми критериями, но не гарантируются для любого результата.

Метод K-means разделяет данные на заранее заданное число непересекающихся кластеров и стремится уменьшить сумму квадратов расстояний от объектов до центров своих кластеров. Иерархическая кластеризация последовательно объединяет или разделяет группы, формируя вложенную структуру, которую представляют в виде дерева или дендрограммы. BIRCH строит дерево признаков кластеризации и сжимает данные в подкластерные структуры для работы с большими наборами данных, при этом часть исходной информации может быть утрачена.

Где применяется

Кластеризацию используют для группировки объектов наблюдения по сходным характеристикам, когда заранее неизвестны категории. Например, с её помощью можно разделить магазины на группы по типу и масштабу, выделив небольшие магазины у дома, бутики и крупные супермаркеты.

Кластеризацию также применяют для анализа структуры данных и построения дендрограмм, показывающих последовательное объединение или разделение групп. При использовании K-means число кластеров задают заранее, поэтому результат зависит от выбранного значения.