Advertisement

Data Mining pp 105-133 | Cite as

Clustering

  • Thomas A. Runkler
Chapter
  • 12k Downloads

Zusammenfassung

Im vorangegangenen Kapitel über Klassifikation wurden Datensätze betrachtet, die neben den eigentlichen Merkmalsvektoren X auch deren Klassenzugehörigkeit y enthalten. In vielen Anwendungen sind solche Klassenzugehörigkeiten nicht verfügbar oder zu aufwändig zu bestimmen (zum Beispiel nur durch manuelle Klassifikation). Mit Hilfe der in diesem Abschnitt dargestellten Clusterverfahren (58; 59) lassen sich Klassenzugehörigkeiten aus der Struktur der Merkmalsdaten schätzen. Aufgabe der Clusteranalyse ist also, die Objekte eines unklassifizierten Merkmalsdatensatzes einer bestimmten Anzahl von Clustern zuzuordnen. Wir unterscheiden sequentielle und prototypbasierte Verfahren. Bei den prototypbasierten Verfahren unterscheiden wir nach den Clustermodellen (scharf, unscharf, possibilistisch, Ausreißer), den Prototypen (punktförmig, Gustafson-Kessel, Hyperebenen, komplexe Formen) und weiteren Spezifika wie medoid-basierte, relationale, Kernel- und heuristische Verfahren. Eine Übersicht über die in diesem Kapitel beschriebenen Algorithmen gibt Abbildung 9.1.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Copyright information

© Vieweg+Teubner | GWV Fachverlage GmbH 2010

Authors and Affiliations

  • Thomas A. Runkler

There are no affiliations available

Personalised recommendations