Cluster-Analyse (k-Means / DBSCAN / Hierarchical)
Definition: Cluster Analysis ist ein unüberwachtes Verfahren des maschinellen Lernens zur Gruppierung ähnlicher Objekte in Clustern. Verfahren wie k-Means, DBSCAN und hierarchisches Clustering partitionieren Daten, sodass Objekte innerhalb eines Clusters möglichst homogen und zwischen Clustern möglichst heterogen sind. Die Auswahl hängt von Datenstruktur und Anwendungsziel ab.
Grundprinzip der Cluster Analysis
Bei der Cluster Analysis werden Datenobjekte ohne vorherige Labels in Gruppen eingeteilt. Es handelt sich um ein unüberwachtes Lernverfahren: Der Algorithmus sucht in den Daten nach natürlichen Zusammenhängen. Ein Cluster ist eine Gruppe von Objekten, die einander ähnlicher sind als den Objekten anderer Gruppen.
Warum clustern? In der Praxis entstehen dadurch Kundensegmente, Anomalien oder Themenbereiche in Dokumenten. Die Kunst liegt nicht im Einteilen selbst, sondern in der Wahl des Distanzmaßes und der Clusterstruktur. Was für das Auge offensichtlich wirkt, muss für einen Algorithmus erst mathematisch fassbar werden. Hier hilft die Heuristik: Man beginnt mit einfachen Annahmen über die Datenform und verfeinert sie iterativ.
k-Means: Der Klassiker
k-Means ist das bekannteste partitionierende Verfahren. Der Nutzer gibt die Anzahl k der gewünschten Cluster vor. Der Algorithmus initialisiert k Zentren, weist jeden Punkt dem nächstgelegenen Zentrum zu und aktualisiert die Zentren als Mittelwerte der zugeordneten Punkte. Diese Schritte wiederholen sich, bis sich die Zuordnung nicht mehr ändert. Klingt simpel, ist aber geschickt: k-Means minimiert die Summe der quadratischen Abstände innerhalb der Cluster.
Wie viele Cluster sind richtig? Die Methode liefert keine Antwort. Kennzahlen wie der Silhouette-Koeffizient oder die Ellbogen-Methode unterstützen die Entscheidung. Jede dieser Kennzahlen bleibt eine Heuristik und sollte mit fachlichem Wissen abgeglichen werden.
DBSCAN: Dichtebasiertes Clustering
DBSCAN verfolgt einen anderen Ansatz. Es definiert Cluster als zusammenhängende Regionen hoher Dichte. Ein Punkt ist ein Kernpunkt, wenn in seinem Epsilon-Umfeld mindestens MinPts weitere Punkte liegen. Randpunkte liegen in der Nähe eines Kernpunkts, Rauschpunkte gehören zu keinem Cluster. So entstehen Cluster beliebiger Form, die nicht kugelförmig sein müssen. Die Parametersetzung wirkt auf den ersten Blick sperrig, aber Epsilon und MinPts sind intuitiv wählbar, wenn man die Daten kennt.
Hierarchisches Clustering: Agglomerativ oder divisiv
Hierarchische Verfahren bauen eine Baumstruktur auf. Agglomerative Methoden starten mit jedem Punkt als eigenem Cluster und verschmelzen Schritt für Schritt die ähnlichsten Paare. Divisive Verfahren laufen in die umgekehrte Richtung. Das Ergebnis ist ein Dendrogramm, das die gesamte Verschmelzungshistorie zeigt. Es erlaubt, die Clusterzahl nachträglich zu wählen, ohne den Algorithmus erneut auszuführen. Für große Datensätze skaliert dieser Ansatz allerdings schlechter.
Vergleich und Auswahlkriterien
| Methode | Zentrale Idee | Vorteile | Einschränkungen |
|---|---|---|---|
| k-Means | Partitionierung um Clusterzentren | Schnell, skalierbar | Kugelförmige Cluster, ausreißerempfindlich |
| DBSCAN | Dichte zusammenhängender Regionen | Beliebige Formen, erkennt Rauschen | Variierende Dichten sind schwierig |
| Hierarchisch | Dendrogramm-Bildung | Flexible Clusterzahl, visualisierbar | Hohe Rechenkomplexität |
Eine pragmatische Heuristik: Ist die Datenmenge groß und die Cluster ungefähr kugelförmig, nehmen Sie k-Means. Arbeiten Sie mit räumlichen Daten und unbekanntem Rauschen, ist DBSCAN oft robuster. Möchten Sie eine interpretierbare Hierarchie, wählen Sie das hierarchische Verfahren.
Welche Methode gewinnt, hängt letztlich von der Datenstruktur und der Fragestellung ab. Niemals nur eine Kennzahl, sondern immer mehrere Perspektiven einbeziehen – das schützt vor Überanpassung an den Algorithmus.
« Back to Glossary Index