Arten der Clusteranalyse

Mehrere Arten von Clustering-Algorithmen können je nach Art der Daten und dem gewünschten Clustering-Ergebnis verwendet werden. Hier sind einige gängige Arten des Clusterings:

1. Partitionelles Clustering: Diese Clustering-Methode teilt die Informationen in mehrere Gruppen basierend auf den Eigenschaften und Ähnlichkeiten der Daten. Bei einem Datensatz von N Punkten konstruiert eine Partitionierungsmethode K (N ≥ K) Partitionen der Daten, wobei jede Partition einen Cluster darstellt. K muss manuell entsprechend der Besonderheit der Daten und des Fachgebiets gewählt werden. Der beliebteste partitionelle Clustering-Algorithmus ist K-means;

2. Hierarchisches Clustering: Bei dieser Art des Clusterings besteht das Ziel darin, eine baumartige Struktur verschachtelter Cluster zu erstellen, wobei jeder Cluster einzelne Datenpunkte oder andere Cluster enthalten kann. Mithilfe dieser baumartigen Struktur können wir verstehen, in welcher Reihenfolge genau welche Punkte zusammengeführt werden. Hierarchisches Clustering kann weiter in zwei Untertypen unterteilt werden: agglomeratives Clustering und divisives Clustering;

3. Dichtebasiertes Clustering: Diese Art des Clusterings identifiziert Cluster basierend auf der Dichte der Datenpunkte im Merkmalsraum. Das Ziel des dichtebasierten Clusterings ist es, Bereiche hoher Dichte zu finden, die durch Bereiche niedriger Dichte getrennt sind. Die bekanntesten dichtebasierten Clustering-Algorithmen sind DBSCAN und Mean-shift.

Es gibt auch andere Arten der Clusterbildung, aber diese werden in diesem Kurs nicht behandelt.