Clustering

Question 1

Was bedeutet Clustering?

Answer 1

• Klassenzugehörigkeiten aus der Struktur der Merkmalsdaten schätzen
• Instanzen / Vektoren aufgrund von Ähnlichkeiten oder ihren Eigenschaften in Cluster zusammenfügen

Question 2

Was ist die Aufgabe der Clusteranalyse?

Answer 2

Objekte eines unklassifizierten Merkmalsdatensatz in eine bestimmte Anzahl an Cluster zuordnen

Question 3

Auf was basieren Clusterverfahren?
Welchen Maßen?

Answer 3

Auf einem Distanz- oder Unähnlichkeitsmaß zwischen den Daten

Question 4

Welche zwei Clusterverfahren aus dem Hierarchical Clustering haben wir gelernt?

Answer 4

• Agglomeratives Cl.
• Divisives Cl.

Question 5

Was ist Agglomeratives Clustering?

Answer 5

• Bottom-up-Verfahren
• Zu Beginn jedes Objekt in eigenem Cluster > schrittweise werden Cluster zu immer größeren zusammengefasst > am Schluss ein Cluster mit allen Objekten

Question 6

Was muss berechnet werden für hierarchische Clusteranalysen?
Und was benötigt man dafür?

Answer 6

• Distanz- oder Ähnlichkeitsmaß (Bestimmung des Abstandes zwischen zwei Objekten)
• Fusionierungsalgorithmus (Bestimmung des Abstandes zwischen zwei Clustern)
• Fusionierungsalgorithmus hat mehr Einfluss auf Gruppierung der Cluster

Question 7

Um Ähnlichkeiten zwischen Objekten zu erhalten, braucht man Ähnlichkeits- bzw. Distanzmaße
Für welche Daten werden die zwei jeweils verwendet in der Regel?

Answer 7

Ähnlichkeitsmaße: nominal- oder ordinalskalierte Variablen
Distanzmaße: intervall- und verhältnisskalierte Daten

Question 8

Was zeigt ein Ähnlichkeitsmaß mit dem Wert 0 an?
Was zeigt ein Distanzmaß mit dem Wert 0 an?

Answer 8

Ähnlichkeitsmaß: maximale Unähnlichkeit
Distanzmaß: maximale Ähnlichkeit

Question 9

Mit welchen Algorithmen werden Cluster gebildet?

Answer 9

Fusionierungsalgorithmen

Question 10

Welche Fusionierungsalgorithmen kennst du?

Answer 10

• Single Linkage
• Complete Linkage
• Centroid Based Linkage
• Average Linkage (sehr rechenintensiv, nicht wirklich besser)

Question 11

Welches Distantmaß kann z.B. beim Clustering verwendet werden?

Answer 11

Euklidische Distanz

Question 12

Erkläre Single Linkage kurz

Answer 12

• Jede Instanz in eigenem Cluster
• Schrittweise werden Cluster mit geringster Dinstanz zu einem Cluster zusammengefügt
• Am Ende ein Cluster mit allen Instanzen

Question 13

Erkläre Complete Linkage kurz

Answer 13

• Jede Instanz in eigenem Cluster
• Cluster mit der minimalsten Maximaldistanz werden schrittweise vereint
• Am Ende ein Cluster mit allen Instanzen

Question 14

Erkläre Centroid Based Linkage kurz

Answer 14

• Jede Instanz in eigenem Cluster
• 1. Schritt die Cluster mit geringster Distanz werden vereint, danach wird ein Centroid gebildet (Mittelpunkt der zwei Instanzen)
• Schrittweises vereinen der nächstgelegenen Cluster (Centroid wird herangezogen und jedesmal aktualisiert)
• Am Ende ein Cluster mit allen Instanzen

Question 15

Was ist Divisives Clustering?

Answer 15

• Top-down-Verfahren
• Zu Beginn bilden alle Instanzen einen großen Cluster
• Durchmesser (maximale Distanz aller Objekte innerhalb des Clusters) aller
  Cluster wird berechnet
• Cluster mit dem größten Durchmesser wird in zwei Cluster geteilt. Das Objekt, das die größte durchschnittliche Distanz zu allen anderen Objekten hat
  bildet den Kern der Splittergruppen.
• Jedes Objekt, das näher an der Splittergruppe liegt als an den restlichen Objekten, wird nun der Splittergruppe zugeordnet.
• Schritte so lange wiederholen, bis alle Cluster nur noch eine Instanz enthalten

Question 16

Welche Visualisierungstechnik eignet sich für Hierarchisches Clustering?

Answer 16

Dendrogramm

Question 17

Was geben die x- und y-Achse bei einem Dendrogramm an?

Answer 17

x = Instanzen (Reihenfolge ist irrelevant)
y = Distanz zwischen Cluster

Question 18

Welche zwei Vorteile hat ein Dendrogramm?

Answer 18

• y-Achse = Distanz zwischen Cluster > vermittelt dadurch gut “natürliche Cluster”
• Ein einzelner Punkt wird weit oben mit anderen Clustern vereint > wsl Außenseiter (passt inhaltlich oder kontextuell nicht zur Gruppe, statistisch nicht auffällig)

Question 19

Welche zwei Anforderugen gibt es beim Partitioning-Based Clustering an die Cluster?

Answer 19

• Cluster sollen kompakt sein
• Cluster sollen untereinander so weit wie möglich entfernt sein

Question 20

Mit was kann Partitioning-Based Clustering gut umgehen?

Answer 20

Big Data

Question 21

Was ist der bekannteste Vertreter des Partitioning-Based Clustering?

Answer 21

k-means Clustering

Question 22

Mit welchen Daten ist k-means Clustering nur möglich

Answer 22

Nur mit numerischen Werten

Question 23

Wie läuft k-means Clustering ab?

Answer 23

1. k wird festgelegt und bestimmt Anzahl der Cluster
2. Es werden zufällig k Clusterzentren ausgewählt
3. Jeder Punkt im Datenraum wird dem ihm am naheliegendsten Zentrum zugewiesen (verwende euklidische Abstandsfunktion)
4. Es werden die neuen Clusterzentren berechnet
5. Solange Wiederholung (iterativ) ab Schritt 3, bis die Zentren stabil sind

Question 24

Was sollte beachtet werden bei k-means Clustering?

Answer 24

k sollte nicht zu groß gewählt werden, da sonst Gefahr für Overfitting besteht

Question 25

Ist k (k-means Clustering) in der Praxis vorgegeben?

Answer 25

Meistens nicht > verschiedene Werte für k systematisch testen und Lösung bewerten

Question 26

Mit welcher Methode kann man die optimale Zahl für k (k-means Clustering) auswählen?

Answer 26

Elbow Method

Question 27

Was macht die Elbow Method?

Answer 27

Vergleich der längsten Distanz zweier Objekte innerhalb des „breitesten“ Clusters

Question 28

Wie sieht eine Visualisierung von der Elbow Method aus? Was ist auf der x- und y-Achse zu sehen?

Answer 28

x-Achse: Anzahl der Cluster y-Achse: längst gemessene Distanz des breitesten Clusters

Question 29

Vorteile von k-means Clustering?

Answer 29

- einfach - effizient - kann mit vielen Datentypen umgehen - einsetzbar für Big Data

Question 30

Nachteile von k-means Clustering?

Answer 30

- Hat Probleme "natürliche" Cluster zu erkennen, die: 1. keine kugelförmige Struktur haben > lösbar mit Subclustern 2. große Abweichungen in Dichte und Größe aufweisen - Ausreißer haben großen Einfluss auf Ergebnis