ক্লাস্টারিং-এর বিভিন্ন অ্যাপ্লিকেশন রয়েছে যেগুলো নিচে দেওয়া হলো:
স্কেলেবিলিটি (Scalability) − কিছু ক্লাস্টারিং অ্যালগরিদম স্মল ডেটা সেটে ভালো কাজ করে যার মধ্যে ২০০ ডেটা অবজেক্টের কম; যাইহোক, একটি বড় ডেটাবেস মিলিয়ন মিলিয়ন অবজেক্ট ধারণ করতে পারে। একটি বড় ডেটা সেটের স্যাম্পলে ক্লাস্টারিং বায়াসড ফলাফলে দাঁড়াতে পারে। অত্যন্ত স্কেলেবল ক্লাস্টারিং অ্যালগরিদম দরকার।
বিভিন্ন টাইপের অ্যাট্রিবিউটের সাথে ডিল করার ক্ষমতা (Ability to deal with different types of attributes) − কিছু অ্যালগরিদম ইন্টারভাল-বেসড (নিউমেরিক্যাল) রেকর্ড ক্লাস্টার করার জন্য ডিজাইন করা হয়। যাইহোক, অ্যাপ্লিকেশন বিভিন্ন টাইপের ডেটা ক্লাস্টার করতে চাইতে পারে, যার মধ্যে বাইনারি, ক্যাটেগরিক্যাল (নোমিনাল), এবং অর্ডিনাল ডেটা, বা এই ডেটা টাইপের কম্বিনেশন।
আর্বিট্রারি শেপের ক্লাস্টার আবিষ্কার (Discovery of clusters with arbitrary shape) − কিছু ক্লাস্টারিং অ্যালগরिदম ইউক্লিডিয়ান বা ম্যানহ্যাটান ডিস্ট্যান্স মেজার ব্যবহার করে ক্লাস্টার নির্ধারণ করে। এই ধরনের ডিস্ট্যান্স মেজার বেসড অ্যালগরিদম স্ফেরিক্যাল ক্লাস্টার আবিষ্কার করতে টেন্ড করে একই সাইজ এবং ডেন্সিটির। যাইহোক, একটি ক্লাস্টার যেকোনো আকারের হতে পারে। আর্বিট্রারি শেপের ক্লাস্টার চেনার জন্য অ্যালগরিদম ডেভেলপ করা অপরিহার্য।
ইনপুট প্যারামিটার নির্ধারণের জন্য ডোমেন নলেজের ন্যূনতম প্রয়োজনীয়তা (Minimal requirements for domain knowledge to determine input parameters) − কিছু ক্লাস্টারিং অ্যালগরিদম ইউজারকে ক্লাস্টার অ্যানালিসিসে স্পেসিফিক প্যারামিটার ইনপুট করতে বাধ্য করে (যেমন, কাঙ্খিত ক্লাস্টার সংখ্যা)। ক্লাস্টারিং ফলাফল ইনপুট প্যারামিটারoseksে খুব সংবেদনশীল। প্যারামিটার ডিসাইড করা কঠিন, বিশেষ করে হাই-ডাইমেনশনাল অবজেক্ট ধারণকারী ডেটা সেটের জন্য। এটি শুধু ইউজারকে বুর্ডেন দেয় না, বরং ক্লাস্টারিং গুণমান কন্ট্রোল করা কঠিন করে।
নয়েজি ডেটার সাথে ডিল করার ক্ষমতা (Ability to deal with noisy data) − কিছু রিয়েল-ওয়ার্ল্ড ডেটাবেস আউটলায়ার বা লপ্ত, অজানা, বা ভুল রেকর্ড ধারণ করে। কিছু ক্লাস্টারিং অ্যালগরিদম এই ধরনের ডেটার সাথে সংবেদনশীল এবং খারাপ গুণমানের ক্লাস্টার তৈরি করতে পারে।
ইনপুট রেকর্ডের অর্ডারের প্রতি অসংবেদনশীলতা (Insensitivity to the order of input records) − কিছু ক্লাস্টারিং অ্যালগরিদম ইনপুট ডেটার অর্ডারের প্রতি রেসপনসিভ। একই সেট ডেটা, যখন একাধিক অর্ডারিং-এ সেরকম অ্যালগরিদমে প্রেজেন্ট করা হয়, নাটকীয়ভাবে ভিন্ন ক্লাস্টার জেনারেট করতে পারে। ইনপুট অর্ডারের প্রতি অসংবেদনশীল অ্যালগরিদম ডেভেলপ করা অপরিহার্য।
হাই ডাইমেনশনালিটি (High dimensionality) − একটি ডেটাবেস বা ডেটা ওয়ারহাউস একাধিক ডাইমেনশন বা অ্যাট্রিবিউট ধারণ করতে পারে। কিছু ক্লাস্টারিং অ্যালগরিদম লো-ডাইমেনশনাল ডেটা হ্যান্ডেল করার জন্য সেরা যেগুলো শুধু দুটি থেকে তিনটি ডাইমেনশন ধারণ করে। মানব চোখ ক্লাস্টারিং গুণমান জাজ করতে তিন ডাইমেনশন পর্যন্ত সেরা। হাই-ডাইমেনশনাল স্পেসে ডেটা অবজেক্ট ক্লাস্টার করা চ্যালেঞ্জিং, বিশেষ করে বিবেচনা করলে হাই-ডাইমেনশনাল স্পেসে ডেটা খুব ইনএডিকুয়েট এবং হাইলি স্কিউড হতে পারে।
কনস্ট্রেইন্ট-বেসড ক্লাস্টারিং (Constraint-based clustering) − রিয়েল-ওয়ার্ল্ড অ্যাপ্লিকেশন বিভিন্ন টাইপের কনস্ট্রেইন্ট আন্ডারে ক্লাস্টারিং পারফর্ম করতে বাধ্য হতে পারে। বিবেচনা করুন আপনার কাজ হলো একটি সিটিতে একটি দিয়ে নির্দিষ্ট সংখ্যক নতুন অটোমেটিক ক্যাশ স্টেশন (ATMs) লোকেট করা।
