| classificeert een dataset in een op te geven aantal klassen met een bepaald statistisch algoritme op een zodanige wijze dat '''binnen de klassen de variatie minimaal is, en de klassen onderling maximaal verschillen'''. In het ideale geval vallen de klassegrenzen samen met de dalen in grafiek die de verdeling van de meetwaarden weergeeft. De klassebreedtes kunnen variëren.
| Deze methode maakt het mogelijk om groeperingen en patronen te ontdekken die in de data zitten / die in de data 'zelf zijn opgesloten'. De methode gaat er vanervan uit dat er verschillende groepen ('populaties' in statistisch jargon) zijn binnen een verdeling. De methode kan dan ook het beste alleen gebruikt worden voor die situaties waarbij geldt dat er groepen zijn. De methode zoekt die groepen op en maakt klassegrenzen zodanig aan dat de bij de groepen horende meetwaarden in één klasse voorkomen, bijvoorbeeld erg rijke gemeentes, en erg arme gemeentes. Overigens, in dit voorbeeld van gemeentes is er niet echt sprake van groepen. Test wel het resultaat door de kaart en de verdeling van de meetwaarden goed te bestuderen; hoe zijn door het algoritme de klassegrenzen terechtgekomen? Is dit wat ik wil? Of wil ik toch bepaalde uitschieters liever benadrukken? Moeten de grenzen niet toch handmatig verschoven worden, en horen die twee groepen misschien niet gewoon tot één groep. Een toepassing waar een dergelijke classificatie wel tot zijn recht zou komen is het inkomen per adres in een wijk, wanneer in (bepaalde delen van) die wijk twee soorten inwoners wonen. Wanneer een wijk uit zowel appartementen als rijtjeshuizen staan, zou het leuk zijn om in de data twee groepen te creëren, met een klassgrensklassegrens er tussenertussen, zodanig dat de rijke groep in de appartementen zit, en de arme groep in de rijtjes huisenrijtjeshuizen. Het is dan zeer aardig om bijvoorbeeld als rijk geclassificeerde adressen tegen te komen in rijtjeshuizen; misschien blijkt hieruit dat een deel van de rijtjeshuizen toch als duurder of beter bekend staat?
[[Afbeelding:Crystal Clear app ktip.png|20px]] '''TIP:''' Gebruik je cirkels als proportionele symbolen, maak deze dan 1,4 maal zo groot als dat je op grond van het oppervlakte zou verwachten. Hiermee compenseer je het Flannery-effect. Deze overdrijvingsfactor is nodig omdat je oog de grootte van de cirkels (een oppervlakte) te laag inschat, omdatdoordat de doorsnede op het oog meer indruk maakt dan de oppervlakte.
