A tarefa de agrupamento (clustering) consiste em, dado um conjunto de dados, agrupar pontos de dados mais similares entre si em clusters (grupos). Os pontos fundamentais em tarefas de agrupamento consistem principalmente na definição de uma medida de similaridade, na definição de um número ideal de grupos e também na validação e interpretação de um resultado de agrupamento. O K-means é um exemplo clássico de algoritmo de agrupamento.
As medidas de similaridade consistem em medidas objetivas para determinar o quão próximo (ou distante) um objeto está do outro no contexto do agrupamento. Diversas medidas podem ser adotadas, sendo que a escolha de adoção de uma medida é dada com base nas características do conjunto de dados.
Uma medida amplamente utilizada para conjuntos de dados com atributos contínuos é a distância, calculada através da distância euclidiana entre dois pontos de dados em um espaço cujas dimensões são dadas pelos atributos do conjunto de dados. Vale notar que a similaridade entre dois pontos é inversamente proporcional a distância entre eles.
O número ideal de grupos não é algo determinístico, ou seja, para um mesmo conjunto de dados é possível que existam diversos números de grupos possíveis. Dessa forma, geralmente são empregados processos empíricos para determinar qual o número ideal de grupos para um conjunto de dados e problema específicos.
Em geral existem duas categorias de agrupamento:
- O agrupamento hierárquico divide os dados em grupos aninhados, representados por uma estrutura de árvore chamada dendrograma.
- O agrupamento particional divide os dados em grupos sem sobreposição (partições), criando agrupamentos de forma que um ponto de dado pertence a somente um grupo.
O agrupamento particional é o tipo mais popular de algoritmo de agrupamento, sendo particularmente eficiente para conjuntos de dados grandes. Entretanto, vale notar que esse tipo de particionamento exige que o número de grupos seja definido previamente. A ideia dos algoritmos de agrupamento particional é encontrar e ajustar centros de grupos que possam caracterizar características relevantes no conjunto de dados.