ক্লাস্টারিং-এর বিভিন্ন পদ্ধতি রয়েছে যেগুলো নিচে দেওয়া হলো:
পার্টিশনিং মেথডস (Partitioning Methods) − n অবজেক্ট বা ডেটা টাপলের একটি ডেটাবেস দিয়ে, একটি পার্টিশনিং মেথড k পার্টিশন অ্যাসেম্বল করে ইনফরমেশনের, যেখানে প্রতিটি পার্টিশন একটি ক্লাস্টার ডিফাইন করে, এবং k < n। এটি ডেটাকে k গ্রুপে অ্যালোকেট করতে পারে, যেগুলো নিচের বাধ্যবাধকতা পূরণ করতে পারে:
প্রতিটি গ্রুপে কমপক্ষে একটি অবজেক্ট থাকতে হবে।
প্রতিটি অবজেক্ট সঠিকভাবে একই গ্রুপে অ্যাপ্লাই হওয়া উচিত।
দেওয়া k, পার্টিশন সংখ্যা যা তৈরি করা হবে, একটি পার্টিশনিং মেথড একটি ইনিশিয়াল পার্টিশনিং তৈরি করে। এরপর এটি একটি ইটারেটিভ রিলোকেশন মেথড ব্যবহার করে যা পার্টিশনিং উন্নত করার চেষ্টা করে অবজেক্ট এক গ্রুপ থেকে অন্য গ্রুপে ট্রান্সফরম করে।
ভালো পার্টিশনিংর সাধারণ কেরিয়ার হলো একই ক্লাস্টারের অবজেক্টগুলো "ক্লোজ" বা একে অপরের সাথে সম্পর্কিত, যদিও ভিন্ন ক্লাস্টারের অবজেক্টগুলো "ফার অ্যাপার্ট" বা খুব ভিন্ন। পার্টিশন গুণমান নির্ধারণের জন্য অন্যান্য কয়েকটি কেরিয়ার রয়েছে।
হায়ারার্কিক্যাল মেথডস (Hierarchical Methods) − একটি হায়ারার্কিক্যাল মেথড দিয়ে দেয়া ডেটা অবজেক্ট সেটের একটি হায়ারার্কিক্যাল ডিকম্পোজিশন জেনারেট করে। একটি হায়ারার্কিক্যাল মেথড catégorisée হতে পারে এগ্লোমেরেটিভ বা ডিভিসিভ হিসেবে, নির্ভর করে কীভাবে হায়ারার্কিক্যাল ডিকম্পোজিশন তৈরি হয়। এগ্লোমেরেটিভ আপপ্রোচকে "বটম-আপ" আপপ্রোচও বলা হয়।
এটি প্রতিটি অবজেক্ট একটি স্বতন্ত্র গ্রুপ গঠন করে দিয়ে শুরু হয়। এটি successifsলি অবজেক্ট বা গ্রুপ কম্বাইন করে যেগুলো একে অপরের কাছে-ClOSER, যতক্ষণ না সকল গ্রুপ একে অপরের সাথে কম্বাইন হয় একে (হায়ারার্কির টপমোস্ট লেভেল), অথবা একটি টার্মিনেশন কন্ডিশন হোল্ড করে। ডিভিসিভ আপপ্রোচকে "টপ-ডাউন" আপপ্রোচও বলা হয়। এটি সকল অবজেক্ট একই ক্লাস্টারে রেখে শুরু হয়। প্রতিটি successive iteration-এ, একটি ক্লাস্টার ছোট ছোট ক্লাস্টারে ভাগ করা হয়, পর্যন্ত শেষ পর্যন্ত প্রতিটি অবজেক্ট একটি ক্লাস্টারে থাকে, বা একটি টার্মিনেশন কন্ডিশন হোল্ড করে।
ডেন্সিটি-বেসড মেথডস (Density-based Methods) − কিছু পার্টিশনিং মেথড অবজেক্টের মাঝপথে দূরত্বের ওপর ভিত্তি করে অবজেক্ট ক্লাস্টার করে। এই মেথডগুলো শুধু স্ফেরিক্যাল-শেপড ক্লাস্টার আবিষ্কার করতে পারে এবং আর্বিট্রারি শেপের ক্লাস্টার খুঁজে বের করতে কঠিনাই অনুভব করে। অন্যান্য ক্লাস্টারিং মেথড ডেন্সিটি কনসেপ্টের ওপর ভিত্তি করে ডেভেলপ করা হয়েছে।
DBSCAN একটি টিপিক্যাল ডেন্সিটি-বেসড মেথড যা একটি ডেন্সিটি থ্রেশহোল্ড অনুযায়ী ক্লাস্টার বৃদ্ধি করে। OPTICS একটি ডেন্সিটি-বেসড মেথড যা অটোমেটিক এবং ইন্টারঅ্যাক্টিভ ক্লাস্টার অ্যানালিসিসের জন্য একটি অগমেন্টেড ক্লাস্টারিং অর্ডারিং ইভ্যালুয়েট করে।
গ্রিড-বেসড মেথডস (Grid-based Methods) − গ্রিড-বেসড মেথড অবজেক্ট স্পেস কোয়ান্টাইজ করে একটি ফাইনাইট সংখ্যক সেলে যা একটি গ্রিড আর্কিটেকচার গঠন করে। কিছু ক্লাস্টারিং অপারেশন গ্রিড আর্কিটেকচার trên ইমপ্লিমেন্ট করা হয় (অর্থাৎ, কোয়ান্টাইজড স্পেসে)।
এই আপপ্রোচের সুবিধা হলো এর দ্রুত প্রসেসিং টাইম যা সাধারণত ডেটা অবজেক্টের সংখ্যা থেকে স্বতন্ত্র, এবং শুধু কোয়ান্টাইজড স্পেসে প্রতিটি ডাইমেনশনে সেলের সংখ্যার ওপর নির্ভরশীল। STING একটি গ্রিড-বেসড মেথডের উদাহরণ। CLIQUE এবং Wave-Cluster দুটি ক্লাস্টারিং অ্যালগরিদম যেগুলো গ্রিড-বেসড এবং ডেন্সিটি-বেসড দুটোই।
মডেল-বেসড মেথডস (Model-based Methods) − মডেল-বেসড মেথড প্রতিটি ক্লাস্টারের জন্য একটি মডেল হাইপোথেসাইজ করে এবং দিয়ে गये মডেলের সাথে ডেটার সেরা ফিট আবিষ্কার করে। একটি মডেল-বেসড অ্যালগরিদম ক্লাস্টার লোকেট করতে পারে একটি ডেন্সিটি ফাংশন তৈরি করে যা ডেটা পয়েন্টের স্পেশিয়াল ডিস্ট্রিবিউশন রিফলেক্ট করে। এটি স্বয়ংক্রিয়ভাবে ক্লাস্টার সংখ্যা নির্ধারণ করার একটি মেথডও নির্দেশ করে স্ট্যান্ডার্ড স্ট্যাটিস্টিক্সের ওপর ভিত্তি করে, "নয়েজ" বা আউটলায়ারকে অ্যাকাউন্টে নিয়ে, তদনুপূর্ণ রোবাস্ট ক্লাস্টারিং মেথড আউটপুট করে।
