Hierarchical Clustering

Wat is hierarchical clustering?

Hierarchical clustering (hiërarchische clustering) is een techniek om data automatisch in groepen te verdelen, waarbij de groepen een boomstructuur vormen: kleine clusters die samen grotere clusters vormen, tot alles uiteindelijk in één geheel zit. Het resultaat wordt vaak getoond als een dendrogram, een vertakkingsdiagram waarin je per niveau kunt aflezen welke datapunten bij elkaar horen. Anders dan bij veel andere clustermethoden hoef je vooraf niet te kiezen hoeveel groepen je wilt.

Hoe werkt het?

De meest gebruikte variant werkt van onderaf (agglomeratief): elk datapunt begint als eigen cluster, en het algoritme voegt steeds de twee clusters samen die het meest op elkaar lijken, tot alles is samengevoegd. De spiegelvariant (divisief) werkt van bovenaf en splitst juist steeds verder op. Hoe sterk twee punten of groepen op elkaar lijken wordt berekend met een afstandsmaat, bijvoorbeeld de gewone rechte afstand tussen punten (Euclidische afstand). In het dendrogram kies je daarna zelf op welk niveau je de boom doorknipt: knip je hoog, dan houd je een paar grote groepen over, knip je laag, dan veel kleine.

Wat heb je eraan als bedrijf?

Hiërarchische clustering is handig om structuur te ontdekken in data waar je nog geen indeling voor hebt. Denk aan het groeperen van klanten op koopgedrag voor gerichte marketing, het ordenen van producten in logische categorieën of het bundelen van vergelijkbare supporttickets. Doordat je de hele boom ziet, krijg je ook inzicht in hoe groepen zich tot elkaar verhouden. Voor hele grote datasets is de methode wel rekenintensief; dan ligt k-means meer voor de hand.

Gerelateerde begrippen

Hiërarchische clustering is een vorm van clustering en valt onder unsupervised learning. Een snellere maar minder gedetailleerde tegenhanger is k-means clustering; de bredere analyse van groepen in data heet cluster analysis.