Klusteranalys
Att låta datan själv avgöra vilka observationer som hör ihop, utan att någon först har satt etiketter på dem.
Det klassiska verktyget är k-means: gissa k centrumpunkter, tilldela varje punkt till närmaste, flytta centrumpunkterna till medelvärdet, upprepa. Algoritmen beskrevs av Stuart Lloyd på Bell Labs 1957 men publicerades först 1982; namnet myntade MacQueen 1967. Den är snabb och konvergerar alltid — men bara till ett lokalt optimum, och man måste tala om k i förväg.
Alternativen svarar mot olika svagheter. Hierarkisk klustring bygger ett dendrogram och låter dig välja nivå efteråt. DBSCAN (1996) hittar kluster av godtycklig form utifrån täthet och markerar avvikare som brus i stället för att tvinga in dem. Gaussiska blandningsmodeller ger mjuk tillhörighet. Det obekväma är att alla metoder alltid returnerar kluster, även i data som inte har några — validering med silhuettmått eller domänkunskap är inte valfri.