Ανάλυση Συστάδων

Abstract

Η Ανάλυση Συστάδων αποτελεί την τρίτη βασική εργασία της ΕΔ. Στόχος αυτού του κεφαλαίου είναι η εξοικείωση του αναγνώστη με τις σχετικές έννοιες και τεχνικές. Αρχικά παρουσιάζονται οι εισαγωγικές έννοιες και διάφορα μέτρα ομοιότητας όπως η απόσταση αντικειμένων με αριθμητικά γνωρίσματα, με δυαδικά γνωρίσματα, με ονομαστικά γνωρίσματα και με μικτά γνωρίσματα. Ακολούθως παρουσιάζονται οι διάφορες κατηγορίες μεθόδων Ανάλυσης Συστάδων όπως διαιρετικές μέθοδοι, ιεραρχικές μέθοδοι, μέθοδοι βασισμένες στην πυκνότητα και μέθοδοι πλέγματος. Γίνεται αναφορά σε συγκεκριμένους αλγόριθμους όπως ο αλγόριθμος των Κ-Μέσων, η Σωρευτική Ιεραρχική Συσταδοποίηση και η Διαιρετική Σωρευτική Συσταδοποίηση. Τέλος, το κεφάλαιο αναφέρεται σε τεχνικές Ανάλυσης Sυστάδων με χρήση Νευρωνικών Δικτύων και συγκεκριμένα στους Αυτοοργανούμενους Χάρτες του Kohonen.

Clustering is the third main task in data mining. This chapter aims to familiarize the reader with the related concepts and techniques. It begins with introductory concepts and various similarity measures, including distances for numerical, binary, categorical, and mixed attributes. Next, the chapter presents different categories of clustering methods, such as partitioning methods, hierarchical methods, density-based methods, and grid-based methods. Specific algorithms are discussed, including the k-means algorithm, agglomerative hierarchical clustering, and divisive hierarchical clustering. Finally, the chapter covers neural network-based clustering techniques, specifically Kohonen’s self-organizing maps (SOMs).