ক্লাস্টারিংয়ের বিভিন্ন পদ্ধতি রয়েছে যা নিম্নরূপ -
পার্টিশন পদ্ধতি − n অবজেক্ট বা ডেটা টিপলের একটি ডাটাবেস দেওয়া, একটি পার্টিশন পদ্ধতি তথ্যের k পার্টিশনগুলিকে একত্রিত করে, যেখানে প্রতিটি পার্টিশন একটি ক্লাস্টার এবং k
প্রতিটি গ্রুপে ন্যূনতম একটি বস্তু অন্তর্ভুক্ত করতে হবে।
প্রতিটি বস্তু সঠিকভাবে একটি গোষ্ঠীতে প্রয়োগ করা উচিত।
k দেওয়া, নির্মাণের জন্য পার্টিশনের সংখ্যা, একটি পার্টিশন পদ্ধতি একটি প্রাথমিক পার্টিশন তৈরি করে। তারপরে এটি একটি পুনরাবৃত্তিমূলক স্থানান্তর পদ্ধতি ব্যবহার করে যা একটি গ্রুপ থেকে অন্য গোষ্ঠীতে বস্তুগুলিকে রূপান্তর করে পার্টিশনকে উন্নত করার চেষ্টা করে।
ভাল পার্টিশনের সাধারণ মাপকাঠি হল যে একই ক্লাস্টারের বস্তুগুলি "ঘনিষ্ঠ" বা একে অপরের সাথে যুক্ত, যেখানে বিভিন্ন ক্লাস্টারের বস্তুগুলি "দূরবর্তী" বা খুব আলাদা। পার্টিশনের গুণমান নির্ধারণের জন্য বিভিন্ন ধরণের অন্যান্য মানদণ্ড রয়েছে।
অনুক্রমিক পদ্ধতি − একটি শ্রেণীবিন্যাস পদ্ধতি প্রদত্ত ডেটা অবজেক্টের একটি শ্রেণিবদ্ধ পচন তৈরি করে। একটি শ্রেণীবিন্যাস পদ্ধতিকে হয় সমষ্টিগত বা বিভাজনকারী হিসাবে শ্রেণীবদ্ধ করা যেতে পারে, এটি কীভাবে শ্রেণীবদ্ধ পচন উৎপন্ন হয় তার উপর নির্ভর করে। সমষ্টিগত পদ্ধতিকে "নিচ-আপ" পদ্ধতি হিসাবেও পরিচিত। এটি প্রতিটি বস্তু একটি স্বাধীন গোষ্ঠী গঠনের সাথে শুরু হতে পারে। এটি ক্রমাগতভাবে একে অপরের কাছাকাছি বস্তু বা গোষ্ঠীগুলিকে একত্রিত করে, যতক্ষণ না সমস্ত গোষ্ঠী একটিতে একত্রিত হয় (অনুক্রমের সর্বোচ্চ স্তর), বা একটি সমাপ্তির শর্ত ধারণ না হওয়া পর্যন্ত। বিভাজনমূলক পদ্ধতিকে "টপ-ডাউন" পদ্ধতি হিসাবেও উল্লেখ করা হয়। এটি একই ক্লাস্টারের সমস্ত বস্তু দিয়ে শুরু হতে পারে। প্রতিটি ক্রমাগত পুনরাবৃত্তিতে, একটি ক্লাস্টারকে ছোট ছোট ক্লাস্টারে ভাগ করা হয়, যতক্ষণ না শেষ পর্যন্ত, প্রতিটি বস্তু একটি ক্লাস্টারে থাকে, বা যতক্ষণ না একটি সমাপ্তির শর্ত থাকে৷ ঘনত্ব-ভিত্তিক পদ্ধতি - কিছু বিভাজন পদ্ধতি বস্তুর মধ্যে দূরত্বের উপর ভিত্তি করে বস্তুকে ক্লাস্টার করে। এই ধরনের পদ্ধতিগুলি শুধুমাত্র গোলাকার-আকৃতির ক্লাস্টারগুলি আবিষ্কার করতে পারে এবং নির্বিচারে আকারের ক্লাস্টারগুলি খুঁজে পেতে অসুবিধার সম্মুখীন হতে পারে। ঘনত্বের ধারণার উপর ভিত্তি করে অন্যান্য ক্লাস্টারিং পদ্ধতি তৈরি করা হয়েছে। DBSCAN হল একটি সাধারণ ঘনত্ব-ভিত্তিক পদ্ধতি যা একটি ঘনত্বের থ্রেশহোল্ড অনুযায়ী ক্লাস্টার বাড়ায়। OPTICS হল একটি ঘনত্ব-ভিত্তিক পদ্ধতি যা স্বয়ংক্রিয় এবং ইন্টারেক্টিভ ক্লাস্টার বিশ্লেষণের জন্য একটি বর্ধিত ক্লাস্টারিং ক্রম মূল্যায়ন করে৷
গ্রিড-ভিত্তিক পদ্ধতি − গ্রিড-ভিত্তিক পদ্ধতি বস্তুর স্থানকে সীমিত সংখ্যক কোষে পরিমাপ করে যা একটি গ্রিড আর্কিটেকচার গঠন করে। কিছু ক্লাস্টারিং অপারেশন গ্রিড আর্কিটেকচারে প্রয়োগ করা হয় (অর্থাৎ, পরিমাপকৃত স্থানের উপর)। এই পদ্ধতির সুবিধা হল এটির দ্রুত প্রক্রিয়াকরণের সময় যা সাধারণত ডেটা অবজেক্টের সংখ্যার থেকে স্বাধীন, এবং শুধুমাত্র পরিমাপকৃত স্থানের প্রতিটি মাত্রার কক্ষের সংখ্যার উপর নির্ভর করে। STING একটি গ্রিড-ভিত্তিক পদ্ধতির একটি উদাহরণ। CLIQUE এবং ওয়েভ-ক্লাস্টার হল দুটি ক্লাস্টারিং অ্যালগরিদম যা গ্রিড-ভিত্তিক এবং ঘনত্ব-ভিত্তিক। মডেল-ভিত্তিক পদ্ধতি − মডেল-ভিত্তিক পদ্ধতিগুলি প্রতিটি ক্লাস্টারের জন্য একটি মডেলকে অনুমান করে এবং প্রদত্ত মডেলের জন্য রেকর্ডগুলির সেরা ফিট আবিষ্কার করে। একটি মডেল-ভিত্তিক অ্যালগরিদম একটি ঘনত্ব ফাংশন তৈরি করে ক্লাস্টারগুলি সনাক্ত করতে পারে যা ডেটা পয়েন্টগুলির স্থানিক বিতরণকে প্রতিফলিত করে। এটি স্ট্যান্ডার্ড পরিসংখ্যানের উপর ভিত্তি করে ক্লাস্টারের সংখ্যা স্বয়ংক্রিয়ভাবে সিদ্ধান্ত নেওয়ার একটি পদ্ধতির দিকে নিয়ে যায়, "গোলমাল" বা আউটলায়ারকে বিবেচনায় নেয় এবং এইভাবে শক্তিশালী ক্লাস্টারিং পদ্ধতি দেয়।
