Biklasterizacija je tehnika rudarenja podataka koja sortira informacije u matricu dodjeljujući retke i stupce matrice u isto vrijeme. U srži ove tehnike je učinkovitost, koja omogućuje računalu da pregleda i sortira veliku količinu podataka u kraćem vremenu u usporedbi s pojedinačnim metodama grupiranja. Biklasterizacija je jednostavno opći naslov jedne određene klase tehnika rudarenja podataka; postoji mnogo različitih algoritama koji mogu spadati u ovu kategoriju, uključujući grupiranje blokova, Plaid model, spojeno dvosmjerno grupiranje i međusobno povezano dvosmjerno klasteriranje.
Da bismo razumjeli važnost biclusteringa, prvo moramo razumjeti opći koncept rudarenja podataka. Podatkovno rudarenje uzima veliku hrpu podataka — kao što su informacije izbačene iz glavne baze podataka tvrtke — i sortiranje kroz njih kako bi se identificirali trendovi i drugi korisni obrasci. Ova vrsta analize može se koristiti za određivanje obrazaca koji inače ne bi postali vidljivi kroz povremene studije, kao što su trendovi kupnje potrošača i fluktuacije na burzi. Podatkovno rudarenje može se provoditi ručno od strane ljudskog analitičara ili elektronički koristeći neku vrstu algoritma za rudarenje podataka; tu na scenu stupa biclustering.
Tijekom procesa rudarenja podataka, računalo koje provodi analizu pokušat će međusobno razvrstati povezane dijelove informacija. Ovaj proces je poznat kao “clustering”. Grupiranje omogućuje računalu da savija svoju umjetnu inteligenciju prepoznavanjem kada su dvije ili više informacija povezane jedna s drugom, stavljajući ih zajedno u matricu. Obično se popunjavaju ili redovi ili stupci matrice, ali samo jedan po jedan.
Biklastering to uklanja ograničenjem omogućavajući računalu da ispuni i retke i stupce u isto vrijeme. To poboljšava učinkovitost procesa grupiranja, ali može rezultirati različito raspoređenim matricama ovisno o određenom algoritmu koji se koristi. Na primjer, računalo koje raspoređuje stvari s konstantnim podudarnim vrijednostima u retke u odnosu na računalo koje raspoređuje stvari s konstantnim podudarnim vrijednostima smještenim u stupce generirat će različite matrice izgleda koristeći potpuno iste vrijednosti. Ne postoji jedan “pravi” način grupiranja podataka; sve ovisi o konkretnoj situaciji i preferencijama pojedinca koji provodi rudarenje podataka.