Mit dem Knoten "Autom. Cluster" können Sie Clustering-Modelle, die Gruppen und Datensätze mit ähnlichen Merkmalen identifizieren, schätzen und vergleichen. Die Funktionsweise des Knotens gleicht der von anderen Knoten für die automatisierte Modellierung: Sie können in einem einzigen Modellierungsdurchlauf mit mehreren Kombinationen von Optionen experimentieren. Modelle können mithilfe grundlegender Messwerte für Filterung und Rangfolge der Nützlichkeit von Clustermodellen verglichen werden, um ein Maß auf der Basis der Wichtigkeit von bestimmten Feldern zu liefern.

Clustering-Modelle werden häufig verwendet, um Gruppen zu identifizieren, die als Eingabe für nachfolgende Analysen dienen können. Beispielsweise können Sie Kundengruppen auf der Basis von demografischen Merkmalen wie Einkommen oder von den Dienstleistungen, die sie in der Vergangenheit erworben haben, als Ziel nehmen. Dies ist ohne vorherige Kenntnis über die Gruppen und deren Merkmale möglich - Sie wissen u. U. gar nicht, wie viele Gruppen gesucht sind oder welche Funktionen für ihre Definition verwendet werden sollen. Clustering-Modelle werden häufig als nicht überwachte Lernmodelle bezeichnet, da sie kein Zielfeld verwenden und keine bestimmte Vorhersage liefern, die sich als "wahr" oder "falsch" bewerten lässt. Der Wert eines Clustering-Modells wird durch die Möglichkeit bestimmt, interessante Gruppierungen in den Daten zu erfassen und sinnvolle Beschreibungen dieser Gruppierungen zu liefern.

Anforderungen. Eines oder mehrere Felder, die relevante Merkmale definieren. Clustermodelle verwenden Zielfelder nicht auf die gleiche Weise wie andere Modelle, da die keine spezifischen Vorhersagen treffen, die sich als wahr oder falsch bewerten lassen. Stattdessen werden sie verwendet, um Gruppen von Fällen zu identifizieren, die möglicherweise zusammenhängen. Beispielsweise können Sie anhand eines Clustermodells nicht vorhersagen, ob ein bestimmter Kunde positiv oder negativ auf ein Angebot reagiert. Sie können jedoch ein Clustermodell verwenden, um Kunden Gruppen basierend auf ihrer Tendenz zu einer bestimmten Reaktion zuzuweisen. Gewichtungs- und Häufigkeitsfelder werden nicht verwendet.

Evaluierungsfelder. Wenn kein Ziel verwendet wird, können Sie optional eines oder mehrere Evaluierungsfelder für den Vergleich von Modellen angeben. Der Nutzen eines Clustermodells kann dadurch bewertet werden, dass gemessen wird, wie gut (oder schlecht) die Cluster diese Felder differenzieren.

Unterstützte Modelltypen

Unterstützte Modelltypen sind "TwoStep", "K-Means", "Kohonen", "One-Class SVM" und "One-Class SVM".