Multivariate Verfahren
Hier gibt es keine Zielvariable. Die Frage ist nicht, was etwas erklärt, sondern welche Struktur in vielen Variablen oder vielen Objekten steckt: welche Variablen lassen sich zusammenfassen, welche Objekte liegen nah beieinander. Weil alles an der Definition von Nähe hängt, stehen die Distanzmasse am Anfang.
Distanzmasse
Euklidisch, Manhattan, Gower und warum Skalierung entscheidend ist.
Lineare Algebra für die Hauptkomponentenanalyse
Matrizen als Abbildungen, Eigenwerte und Eigenvektoren und was die PCA daraus macht.
Hauptkomponentenanalyse
Dimensionen reduzieren, Ladungen und erklärte Varianz lesen.
Faktorenanalyse
Latente Faktoren schätzen, Rotation und Abgrenzung zur Hauptkomponentenanalyse.
k-Means
Objekte in k Gruppen teilen, Startwerte und die Wahl von k.
Hierarchisches Clustering
Verknüpfungsverfahren, Dendrogramm und dessen Deutung.
Clustergüte
Silhouette, Ellbogen und Gap-Statistik zur Beurteilung einer Lösung.