DATAMININGOVÉ MODELY:
Seskupování a detekce anomálií

Ne všechny dataminingové úlohy mohou být řešeny pomocí supervizovaných predikčních modelů, kdy pro učení máme k dispozici historická data s cílovou proměnnou. Seskupování představuje nesupervizované modelovací postupy, které jsou určeny k hledání podobných nebo naopak anomálních případů v datech. Své uplatnění najdou všude tam, kde neznáme historické hodnoty cílových atributů nebo se vzory chování mění tak rychle, že modely naučené na historických datech nejsou aktuální již v době, kdy vznikají.

Seskupovací algoritmy se hojně využívají v marketingu, kde slouží jako nástroj pro přípravu segmentace. V data miningu se seskupovací postupy používají k redukci dimenzionality, jako součást metamodelů a především pro detekci anomálního chování.