# Klasteranalüüsi kokkuvõte

## Põhimõisted
- **Klasteranalüüs** on masinõppe meetod, mis grupeerib sarnased andmepunktid klastritesse ilma eelnevate siltideta
- Kasutatakse mustrite avastamiseks ja andmete struktureerimiseks

## Peamised algoritmid
- **K-Means**: Jaotab andmed K klastrisse, minimeerides dispersiooni klastri sees
- **Hierarhiline klasterdamine**: Loob klastrite hierarhia (ülevalt alla või alt üles)
- **DBSCAN**: Tuvastab tiheduspiirkondi, suudab eristada müra
- **GMM (Gaussian Mixture Model)**: Eeldab, et andmed pärinevad Gaussi jaotusest

## Rakendused kohalike teede analüüsis
- Liikluskoormuse mustrite tuvastamine
- Teede kvaliteedi ja õnnetuste analüüs
- Infrastruktuuri planeerimine ja optimeerimine
- Piirkondlike erinevuste tuvastamine

## Tööprotsess
1. Andmete kogumine (liiklusvood, teede kvaliteet, õnnetused)
2. Andmete eeltöötlus ja skaleerimine
3. Sobiva algoritmi valik
4. Klasterdamise rakendamine
5. Tulemuste analüüs ja visualiseerimine

## Pythoni rakendamine
- Kasutatakse teeke: **Pandas**, **scikit-learn**, **Matplotlib**
- Näited sisaldavad K-Means ja DBSCAN algoritme teede liiklusandmete põhjal
- Võimaldab tuvastada probleemsed piirkonnad ja optimeerida teedevõrku

## Eelised
- Avastab varjatud mustreid andmetes
- Ei vaja eelnevaid silte
- Sobib erinevate andmetüüpide ja suurustega
- Pakub visuaalset ülevaadet andmestruktuurist

Klasteranalüüs on võimas tööriist teedevõrgu planeerimiseks ja liikluskorralduse optimeerimiseks, võimaldades tuvastada mustreid, mida inimsilm ei pruugi kohe märgata.