Küme analizi, İngilizcede Cluster Analysis olarak adlandırılan ve benzer özelliklere sahip veri noktalarını gruplandırmak için kullanılan istatistiksel bir analiz yöntemidir. Kümeleme olarak da bilinen bu yaklaşımda aynı küme içerisindeki öğelerin birbirine benzemesi, farklı kümelerdeki öğelerin ise mümkün olduğunca ayrışması amaçlanır. Böylece veriler içerisindeki doğal gruplar, ilişkiler ve örüntüler ortaya çıkarılabilir. Küme analizi çoğunlukla önceden tanımlanmış sınıf etiketlerinin bulunmadığı veri kümelerinde uygulanır.
Bu yöntem müşteri segmentasyonu, görüntü analizi, biyoinformatik, veri madenciliği, örüntü keşfi ve anormallik tespiti gibi birçok alanda kullanılabilir. İşletmeler müşterileri satın alma davranışlarına, demografik özelliklerine veya etkileşim düzeylerine göre gruplandırabilir. Araştırmacılar ise büyük veri kümeleri içerisindeki benzer gözlemleri belirleyerek daha ayrıntılı inceleme alanları oluşturabilir. Kümeleme sonuçları yeni hipotezler geliştirmeye yardımcı olabilir ancak mevcut bir hipotezi tek başına kesin olarak doğrulamaz.
Küme analizi genellikle denetimsiz öğrenme yöntemleri arasında değerlendirilir. Model, önceden belirlenmiş doğru cevaplar veya sınıf etiketleri olmadan verilerdeki benzerlikleri keşfetmeye çalışır. Bununla birlikte kullanılacak yönteme göre küme sayısının önceden belirlenmesi gerekebilir. Örneğin K-Means algoritmasında küme sayısı başlangıçta seçilirken hiyerarşik veya yoğunluk tabanlı yöntemlerde kümeler veri yapısına göre ortaya çıkabilir.
Kümeleme, sınıflandırmadan farklı bir işlemdir. Sınıflandırmada model önceden etiketlenmiş örnekleri kullanarak yeni verileri bilinen sınıflara atar. Küme analizinde ise sınıflar önceden tanımlanmaz ve benzer gözlemler algoritma tarafından bir araya getirilir. Bu nedenle elde edilen kümelerin anlamlandırılması çoğu zaman alan uzmanlarının değerlendirmesini gerektirir.
İyi bir kümeleme sonucunda aynı küme içerisindeki veri noktalarının benzerliği yüksek, farklı kümeler arasındaki benzerlik ise düşük olmalıdır. Sonuçlar kullanılan uzaklık ölçüsüne, seçilen değişkenlere, veri ölçeklendirmesine ve algoritmanın parametrelerine bağlı olarak değişebilir. Hatalı, eksik veya uygun şekilde ölçeklendirilmemiş veriler yanıltıcı kümelerin oluşmasına neden olabilir. Bu nedenle analiz öncesinde veri temizleme ve değişken seçimi dikkatle yapılmalıdır.
Küme analizinde bölümleme, hiyerarşik, yoğunluk tabanlı, ızgara tabanlı, model tabanlı ve kısıt tabanlı yöntemlerden yararlanılabilir. K-Means bölümleme yöntemlerine, DBSCAN yoğunluk tabanlı yöntemlere örnek gösterilebilir. Hiyerarşik kümeleme ise veriler arasındaki ilişkileri ağaç benzeri bir yapı içerisinde gösterir. Uygun yöntemin seçimi veri hacmine, değişkenlerin yapısına, beklenen küme biçimine ve analiz amacına göre yapılmalıdır.
Küme analizi aykırı değerlerin ve olağan dışı davranışların belirlenmesinde de kullanılabilir. Diğer gözlemlerden uzakta kalan veya hiçbir kümeye güçlü biçimde bağlanmayan veri noktaları anomali olarak değerlendirilebilir. Ancak her aykırı değer hata veya dolandırıcılık anlamına gelmez ve sonuçların bağlam içerisinde incelenmesi gerekir. Doğru uygulandığında küme analizi, karmaşık veri kümelerinin anlaşılmasını ve daha bilinçli kararlar alınmasını destekleyebilir.
