ক্লাস্টারিংয়ের বিভিন্ন প্রয়োগ রয়েছে যা নিম্নরূপ -
-
মাপযোগ্যতা - কিছু ক্লাস্টারিং অ্যালগরিদম 200 টিরও কম ডেটা অবজেক্ট সহ ছোট ডেটা সেটগুলিতে ভাল কাজ করে; যাইহোক, একটি বিশাল ডাটাবেস লক্ষ লক্ষ বস্তু অন্তর্ভুক্ত করতে পারে। প্রদত্ত বিশাল ডেটা সেটের একটি নমুনাতে ক্লাস্টারিং পক্ষপাতদুষ্ট ফলাফলের দিকে নিয়ে যেতে পারে। সেখানে অত্যন্ত মাপযোগ্য ক্লাস্টারিং অ্যালগরিদম প্রয়োজন৷
৷ -
বিভিন্ন ধরনের বৈশিষ্ট্যের সাথে মোকাবিলা করার ক্ষমতা − কিছু অ্যালগরিদম ক্লাস্টার ইন্টারভাল-ভিত্তিক (সংখ্যাসূচক) রেকর্ড করার জন্য ডিজাইন করা হয়েছে। যাইহোক, অ্যাপ্লিকেশনের জন্য বাইনারি, ক্যাটাগরিকাল (নামমাত্র) এবং অর্ডিনাল ডেটা, বা এই ডেটা প্রকারগুলির সংমিশ্রণ সহ বিভিন্ন ধরণের ডেটা ক্লাস্টার করার প্রয়োজন হতে পারে৷
-
নিশ্চিত আকার সহ ক্লাস্টারের আবিষ্কার − কিছু ক্লাস্টারিং অ্যালগরিদম ইউক্লিডীয় বা ম্যানহাটনের দূরত্ব পরিমাপের উপর নির্ভর করে ক্লাস্টার নির্ধারণ করে। এই ধরনের দূরত্বের পরিমাপের উপর ভিত্তি করে অ্যালগরিদমগুলি একই আকার এবং ঘনত্বের সাথে গোলাকার ক্লাস্টারগুলি আবিষ্কার করে। যাইহোক, একটি ক্লাস্টার যে কোনো আকৃতির হতে পারে। এটি এমন অ্যালগরিদমগুলি বিকাশ করা অপরিহার্য যা নির্বিচারে আকারের ক্লাস্টারগুলি সনাক্ত করতে পারে৷
-
ইনপুট প্যারামিটার নির্ধারণ করতে ডোমেন জ্ঞানের জন্য ন্যূনতম প্রয়োজনীয়তা - কিছু ক্লাস্টারিং অ্যালগরিদমের জন্য ব্যবহারকারীদের ক্লাস্টার বিশ্লেষণে নির্দিষ্ট পরামিতি ইনপুট করার প্রয়োজন ছিল (কাঙ্খিত ক্লাস্টারের সংখ্যা সহ)। ক্লাস্টারিং ফলাফলগুলি ইনপুট পরামিতিগুলির জন্য বেশ সংবেদনশীল। প্যারামিটারগুলি নির্ধারণ করা কঠিন, বিশেষত উচ্চ-মাত্রিক বস্তু সহ ডেটা সেটগুলির জন্য৷ এটি শুধুমাত্র ব্যবহারকারীদেরই বোঝায় না বরং ক্লাস্টারিংয়ের গুণমানকে নিয়ন্ত্রণ করা কঠিন।
-
কোলাহলপূর্ণ ডেটা মোকাবেলা করার ক্ষমতা − কিছু বাস্তব-বিশ্বের ডেটাবেসে বহিরাগত বা অনুপস্থিত, অজানা, বা ভুল রেকর্ড অন্তর্ভুক্ত। কিছু ক্লাস্টারিং অ্যালগরিদম এই ধরনের ডেটার প্রতি সংবেদনশীল এবং নিম্নমানের ক্লাস্টার হতে পারে৷
-
ইনপুট রেকর্ডের ক্রম প্রতি সংবেদনশীলতা − কিছু ক্লাস্টারিং অ্যালগরিদম ইনপুট ডেটার ক্রম অনুসারে প্রতিক্রিয়াশীল, যেমন, ডেটার অনুরূপ সেট, যখন এই ধরনের অ্যালগরিদমে একাধিক ক্রম সহ উপস্থাপন করা হয়, এবং এটি নাটকীয়ভাবে ভিন্ন ক্লাস্টার তৈরি করতে পারে। অ্যালগরিদমগুলি বিকাশ করা অত্যাবশ্যক যেগুলি ইনপুটের ক্রম অনুসারে প্রতিক্রিয়াশীল নয়৷
৷ -
উচ্চমাত্রিকতা - একটি ডাটাবেস বা একটি ডেটা গুদাম বিভিন্ন মাত্রা বা বৈশিষ্ট্য অন্তর্ভুক্ত করতে পারে। কিছু ক্লাস্টারিং অ্যালগরিদম নিম্ন-মাত্রিক ডেটা পরিচালনার ক্ষেত্রে সর্বোত্তম, যেখানে মাত্র দুই থেকে তিনটি মাত্রা রয়েছে। তিনটি মাত্রা পর্যন্ত ক্লাস্টারিংয়ের গুণমান নির্ধারণে মানুষের চোখ সবচেয়ে ভালো। হাই-ডাইমেনশনাল স্পেসে ডেটা অবজেক্ট ক্লাস্টার করার জন্য এটি বিতর্ক করছে, বিশেষ করে বিবেচনা করে যে হাই-ডাইমেনশনাল স্পেসে ডেটা খুব অপর্যাপ্ত এবং অত্যন্ত ভুলভাবে উপস্থাপন করা যেতে পারে।
-
সীমাবদ্ধতা-ভিত্তিক ক্লাস্টারিং − বাস্তব-বিশ্বের অ্যাপ্লিকেশনগুলিকে বিভিন্ন ধরণের সীমাবদ্ধতার অধীনে ক্লাস্টারিং সঞ্চালনের প্রয়োজন হতে পারে। বিবেচনা করুন যে আপনার কাজ হল একটি শহরে নির্দিষ্ট সংখ্যক নতুন স্বয়ংক্রিয় ক্যাশ স্টেশন (এটিএম) এর জন্য এলাকা নির্বাচন করা।
