Clustering-Labor

Vergleiche drei euklidische Clustering-Verfahren mit denselben zweidimensionalen Daten. Ausführen startet die Berechnung; Schritt führt eine k-Means-Iteration aus. Pause und Fortsetzen behalten den Zustand. Zurücksetzen löscht die Zuordnung und behält die Punkte. Demodaten erzeugt reproduzierbare Punktgruppen mit den optionalen Einstellungen.

k-Means beginnt mit k-Means++ und einem festen Startwert, danach folgen Lloyd-Schritte. SSE ist die Summe der quadrierten Abstände zu den zugeordneten Zentren. Leere Gruppen behalten ihr bisheriges Zentrum. Das Ergebnis ist eine lokale Lösung, kein garantiertes globales Optimum. Ende bei stabilen Zuordnungen oder nach 200 Iterationen. DBSCAN verbindet dichte Nachbarschaften innerhalb ε; die Mindestpunktzahl zählt den Punkt selbst mit. Grau bedeutet Rauschen. Single-Linkage zerlegt einen minimalen Spannbaum in k Gruppen; schmale Punktketten können scheinbar getrennte Wolken verbinden. Bei gleichen Abständen sind unterschiedliche gültige Aufteilungen möglich.

CSV einfügen oder öffnen, dann unterschiedliche X- und Y-Spalten wählen. X/Y-Überschriften werden bevorzugt, sonst die ersten beiden numerischen Spalten. Dezimalpunkt und Dezimalkomma (in Anführungszeichen oder mit Semikolon als Trennzeichen) sind möglich. Ungültige Zeilen werden gezählt und übersprungen. Grenzen: 2.000 Datenzeilen, 32 Spalten, 1 MiB, Koordinaten von −10⁹ bis 10⁹. Keine automatische Standardisierung: die Koordinatenskalen beeinflussen Abstände. Beispiel: (0,0), (0,1), (10,10), (10,11) werden mit k=2 in zwei Paare getrennt.

Beide Plot-Achsen haben denselben Maßstab. Strg/Meta + Mausrad zoomt; Strg/Meta + Ziehen verschiebt. Punkte einpassen stellt die Ansicht wieder her. Die Tabelle zeigt Gruppengrößen und Zentren (k-Means) oder beschreibende Mittelwerte (andere Verfahren); Farben wiederholen sich nach acht Gruppen. CSV exportiert alle gültigen Punkte mit der aktuellen Zuordnung: Gruppen ab 1, Rauschen als 0. Bei laufendem k-Means kann dies ein Zwischenergebnis sein. Ein Werkzeug für kleine Datensätze, ohne Dendrogramm und automatische Parameterwahl.