PDF-Download - Deutsche Geodätische Kommission

32 KAPITEL 4. CLUSTERANALYSE
Clusterverfahren
hierarchisch
Top-down
partitionierend
Bottom-up
agglomerativ (HACM)
divisiv
Single Pass Relocation Clique
Ward
Complete Linkage
Average Linkage
Single Linkage
Abbildung 4.2: Clusterverfahren
PAM (Kaufman & Rousseeuw 1990), CLARANS (Ng & Han 1994), DBSCAN (Ester et al. 1996), CURE
(Guha, Rastogi & Shim 1998) und ROCK (Guha, Rastogi & Shim 1999) basieren darauf, Cluster zu finden,
die einem statistischen Modell genügen. K-means, PAM und CLARANS gehen von der Annahme aus, dass
die Cluster hyperellipsoidisch, bzw. hypersphärisch sind und ähnliche Größen aufweisen. DBSCAN nutzt ein
Dichte-basiertes Maß density reachable, welches alle Punkte eines Clusters erfüllen müssen, wohingegen Punkte,
die zu unterschiedlichen Clustern gehören, diese Eigenschaft nicht aufweisen dürfen.
Alle diese Algorithmen hängen elementar von der Wahl der Parameter im statistischen Modell ab und können
daher fehlschlagen, wenn diese nicht zur zugrundeliegenden Datenmenge passen, oder auch wenn das Modell die
Charakteristika der Cluster (z.B. Form, Größe, Dichte) nicht korrekt beschreibt. Weiterhin müssen oft geeignete
Abbruchkriterien für die Verfahren vorgegeben werden. Das heißt, diese Verfahren sind nicht parameterfrei. Wir
werden im Kapitel 7 ein parameterfreies Verfahren beschreiben.
4.1 Methoden zur Clusteranalyse
Eine detaillierte Einführung in das Gebiet der Clusteranalyse findet man in (Berkhin 2002). Im folgenden wollen
wir eine grobe Übersicht über existierende Clusterverfahren geben (Abb. 4.2). Clustering Algorithmen lassen
sich wie folgt einteilen:
• Hierarchische Methoden
– Agglomerative Verfahren
– Divisive Verfahren
• Partitionierende Methoden
– K-medoids Verfahren
– K-means Verfahren
– Dichte-basierte Verfahren
– Relocation Verfahren