Was ist Hierarchical Clustering?
Hierarchical Clustering (deutsch: hierarchisches Clustering oder hierarchische Clusteranalyse) ist ein unüberwachtes maschinelles Lernverfahren, das Datenpunkte schrittweise in einer baumartigen Struktur gruppiert. Im Gegensatz zu flachen Clustering-Methoden entsteht dabei kein einzelnes Partitionierungsergebnis, sondern eine vollständige Hierarchie von Clustern – dargestellt als sogenanntes Dendrogramm. Das Verfahren erfordert keine vorherige Festlegung der Clusteranzahl und eignet sich besonders für explorative Datenanalysen.
Wie funktioniert Hierarchical Clustering?
Es gibt zwei grundlegende Ansätze: den agglomerativen und den divisiven.
Beim agglomerativen Ansatz (Bottom-up) beginnt jeder Datenpunkt als eigener Cluster. Schrittweise werden die jeweils ähnlichsten Cluster zusammengeführt, bis alle Punkte in einem einzigen Cluster vereint sind. Dies ist der in der Praxis deutlich häufiger verwendete Ansatz.
Beim divisiven Ansatz (Top-down) startet der Algorithmus mit allen Datenpunkten in einem einzigen Cluster und teilt diesen rekursiv auf, bis jeder Punkt einen eigenen Cluster bildet.
Für die Bestimmung der Ähnlichkeit zwischen Clustern werden verschiedene Linkage-Methoden eingesetzt:
- Single Linkage: Abstand zwischen den nächsten Punkten zweier Cluster
- Complete Linkage: Abstand zwischen den entferntesten Punkten
- Average Linkage: Durchschnittlicher Abstand aller Punktepaare
- Ward-Methode: Minimierung der Varianz innerhalb der entstehenden Cluster
Das Ergebnis wird als Dendrogramm visualisiert. Durch das Setzen eines Schnittpunkts auf einer bestimmten Ebene des Dendrogramms lässt sich die gewünschte Clusteranzahl nachträglich bestimmen.
Unterschied zwischen Hierarchical Clustering und K-Means Clustering
Beide Verfahren sind Clustering-Methoden, unterscheiden sich jedoch grundlegend in ihrer Funktionsweise. K-Means erfordert die Vorgabe einer festen Clusteranzahl k vor der Berechnung und weist jeden Datenpunkt exklusiv einem Cluster zu. Hierarchical Clustering hingegen benötigt diese Vorgabe nicht – die Clusteranzahl kann anhand des Dendrogramms im Nachhinein gewählt werden. K-Means ist recheneffizienter bei großen Datensätzen, während Hierarchical Clustering bei kleineren Datensätzen mehr Interpretierbarkeit und Flexibilität bietet. Zudem liefert K-Means keine Informationen über die Beziehungen zwischen Clustern, was das hierarchische Verfahren für strukturelle Analysen attraktiver macht.
Warum ist Hierarchical Clustering für Unternehmen relevant?
Hierarchisches Clustering lässt sich in verschiedenen geschäftlichen Kontexten einsetzen, in denen Strukturen in Daten erkundet werden sollen, ohne vorab genaue Hypothesen zu formulieren.
Im Marketing und der Kundensegmentierung könnte das Verfahren beispielsweise eingesetzt werden, um Kundengruppen auf Basis von Kaufverhalten, demografischen Merkmalen oder Interaktionsdaten zu identifizieren – ohne vorab festzulegen, wie viele Segmente sinnvoll wären.
Im Bereich Content und SEO würde sich Hierarchical Clustering eignen, um Keyword-Cluster zu bilden oder thematisch verwandte Inhalte zu gruppieren, etwa für die Entwicklung einer Pillar-Content-Strategie.
Im E-Commerce könnte das Verfahren helfen, Produktkategorien datenbasiert zu strukturieren oder ähnliche Produktgruppen für Empfehlungssysteme zu identifizieren.
Da das Verfahren keine Vorannahmen über die Gruppenanzahl erfordert, ist es besonders in frühen Analysephasen nützlich, wenn die Datenstruktur noch wenig bekannt ist.
Praxisbeispiel
Angenommen, die Digital-Marketing-Agentur blueShepherd.de analysiert für einen Kunden ein umfangreiches Keyword-Set mit mehreren Hundert Suchbegriffen. Um thematisch kohärente Cluster für eine Content-Strategie zu bilden, könnte ein Hierarchical-Clustering-Verfahren auf Basis semantischer Ähnlichkeitswerte der Keywords angewendet werden. Das resultierende Dendrogramm würde zeigen, welche Begriffe eng miteinander verwandt sind und auf welcher Ebene sich sinnvolle thematische Gruppen abgrenzen lassen. Die Agentur könnte dann den Schnittpunkt im Dendrogramm so wählen, dass eine für die Content-Planung handhabbare Anzahl an Themenfeldern entsteht – ohne diese Anzahl vorab festlegen zu müssen.
Verwandte Begriffe
- K-Means Clustering
- Unsupervised Learning
- Dimensionsreduktion
- Embedding
- Semantische Ähnlichkeit
FAQ
Was ist ein Dendrogramm und wie liest man es?
Ein Dendrogramm ist eine baumartige Visualisierung des hierarchischen Clustering-Ergebnisses. Die Blätter des Baums repräsentieren einzelne Datenpunkte, die Äste zeigen, welche Punkte oder Gruppen zusammengeführt wurden. Die Höhe, auf der zwei Äste zusammentreffen, gibt an, wie unähnlich die entsprechenden Cluster zum Zeitpunkt der Zusammenführung waren. Ein horizontaler Schnitt durch das Dendrogramm auf einer bestimmten Höhe definiert die resultierende Clusteranzahl.
Wann sollte man Hierarchical Clustering anderen Verfahren vorziehen?
Hierarchical Clustering eignet sich besonders dann, wenn die Anzahl der sinnvollen Cluster vorab unbekannt ist, wenn die Datenstruktur explorativ untersucht werden soll oder wenn die Beziehungen zwischen Clustern selbst von Interesse sind. Bei sehr großen Datensätzen kann der Rechenaufwand jedoch erheblich sein, da die Komplexität quadratisch mit der Datenmenge wächst – in solchen Fällen könnten skalierbarere Verfahren wie K-Means oder DBSCAN vorzuziehen sein.
Kann Hierarchical Clustering direkt auf Textdaten oder Keywords angewendet werden?
Nicht direkt auf Rohtexte. Zunächst müssen die Texte oder Keywords in numerische Repräsentationen überführt werden – beispielsweise durch Embeddings oder TF-IDF-Vektoren. Auf Basis dieser Vektoren lassen sich dann Ähnlichkeitsmaße berechnen, die als Eingabe für das hierarchische Clustering dienen. Dieses kombinierte Vorgehen wird häufig in der semantischen Keyword-Analyse und im Content Clustering eingesetzt.