Chemische Zusammensetzung römischer Glasfunde als Hilfsmittel zu ihrer numerischen Klassifikation : Teil 2. Numerische Klassifikation von 31 gefärbten römischen Gebrauchsgläsern

Abstract

31 coloured Roman finds from the first century AD were analysed and classified numerically. Their contents of 20 main, impurity and secondary elements were used as the characteristics for classification. Both hierarchic and non-hierarchic methods of classification then produced a fairly clear distribution of the finds according to their characteristic colour. The close correlation between colour and chemical composition served, as a first approximation, as the criterion for classification. The K-MEANS method of classification proved to be the best compromise between economy of computation and optimum differentiation among non-hierarchic methods.

On a analysé 31 objets datant du 1er siècle après J.C. en employant des méthodes de classification numérique. On a retenu comme critères les teneurs en 20 éléments chimiques principaux, secondaires et oligoéléments. Des méthodes hiérarchisées et non hiérarchisées ont permis d'obtenir ainsi un regroupement plus ou moins bien défini des objets d'après leur couleur. Le rapport étroit entre la couleur et la composition chimique a été utilisé, par approximation d'ordre premier, comme critère d'optimisation de la Classification. La méthode K-MEANS s'avère la meilleure méthode non hiérarchisée car eile permet d'effectuer à la fois un calcul rapide et une différenciation optimale.

31 gefärbte römische Glasfunde aus dem 1. Jh. n. Chr. wurden einer Analyse mit den Methoden der numerischen Klassifikation unterzogen. Als Klassifikationsmerkmaie dienten die Gehalte an 20 Haupt-, Spuren- und Nebenelementen. Es ergibt sich mit hierarchischen und nichthierarchischen Klassifikationsmethoden eine mehr oder weniger eindeutige Aufteilung der Glasfunde nach der Eigenfarbe. Die enge Beziehung zwischen Eigenfarbe und chemischer Zusammensetzung wird in erster Näherung als Optimalitätskriterium für eine Klassifikation verwendet. Die Klassifikationsmethode K-MEANS erweist sich unter den nichthierarchischen Methoden als der beste Kompromiß zwischen Rechenzeit-Ökonomie und optimaler Differenzierung.