গিরগিটি হল একটি শ্রেণিবদ্ধ ক্লাস্টারিং অ্যালগরিদম যা জোড়ার ক্লাস্টারগুলির মধ্যে মিল নির্ধারণ করতে গতিশীল মডেলিং ব্যবহার করে। এটি ROCK এবং CURE-এর মতো দুটি শ্রেণিবদ্ধ ক্লাস্টারিং অ্যালগরিদমের পর্যবেক্ষণ দুর্বলতার ভিত্তিতে পরিবর্তিত হয়েছিল৷
রক এবং সম্পর্কিত ডিজাইন ক্লাস্টার প্রক্সিমিটি সম্পর্কিত ডেটা উপেক্ষা করার সময় ক্লাস্টার আন্তঃসংযোগের উপর জোর দেয়। CURE এবং সম্পর্কিত নকশা ক্লাস্টার প্রক্সিমিটি বিবেচনা করে তবুও ক্লাস্টার আন্তঃসংযোগকে অবহেলা করে। গিরগিটিতে, ক্লাস্টারের সাদৃশ্য মূল্যায়ন করা হয় একটি ক্লাস্টারের ভিতরে এবং ক্লাস্টারের নৈকট্যের উপর নির্ভর করে কতটা ভাল-সংযুক্ত বস্তু। বিশেষ করে, দুটি ক্লাস্টার একত্রিত হয় যদি তাদের আন্তঃসংযোগ বেশি হয় এবং তারা কাছাকাছি থাকে।
এটি একটি স্থির, ব্যবহারকারী দ্বারা সরবরাহকৃত মডেলের উপর ভিত্তি করে নয় এবং স্বয়ংক্রিয়ভাবে মিলিত হওয়া ক্লাস্টারগুলির অভ্যন্তরীণ বৈশিষ্ট্যগুলির সাথে মানিয়ে নিতে পারে। একত্রীকরণ প্রক্রিয়া প্রাকৃতিক এবং একজাতীয় ক্লাস্টার আবিষ্কারকে সমর্থন করে এবং একটি সাদৃশ্য ফাংশন সংজ্ঞায়িত করা যেতে পারে বিবেচনা করে সব ধরনের ডেটার জন্য ব্যবহার করা হয়৷
গিরগিটি একটি স্পার্স গ্রাফ তৈরি করতে k-nearest-neighbour গ্রাফ কৌশল প্রয়োজন, যেখানে গ্রাফের প্রতিটি শীর্ষবিন্দু একটি ডেটা অবজেক্টকে সংজ্ঞায়িত করে, এবং যদি একটি বস্তুর মধ্যে থাকে তবে দুটি শীর্ষবিন্দুর (বস্তু) মধ্যে একটি প্রান্ত বিদ্যমান থাকে। k-অন্যের সবচেয়ে-সদৃশ বস্তু। বস্তুর মধ্যে সাদৃশ্য প্রতিফলিত করার জন্য প্রান্তগুলি ওজন করা হয়৷
ক্যামেলিয়ন একটি গ্রাফ পার্টিশনিং অ্যালগরিদম ব্যবহার করে কে-নেয়ারেস্ট-নেইবারগ্রাফকে প্রচুর সংখ্যক অপেক্ষাকৃত ছোট সাবক্লাস্টারে বিভাজন করতে। এটি একটি সমষ্টিগত স্তরবিন্যাস ক্লাস্টারিং অ্যালগরিদম ব্যবহার করতে পারে যা তাদের সাদৃশ্যের উপর ভিত্তি করে বারবার সাবক্লাস্টারগুলিকে একত্রিত করে। এটি বেশিরভাগ অনুরূপ সাবক্লাস্টারের জোড়া নির্ধারণ করতে পারে, এটি আন্তঃসংযোগের পাশাপাশি ক্লাস্টারগুলির ঘনিষ্ঠতা উভয়কেই বিবেচনা করে।
k-নিকটবর্তী-প্রতিবেশীর গ্রাফটি গতিশীলভাবে আশেপাশের দৃষ্টিভঙ্গি ক্যাপচার করে:বস্তুটির আশেপাশের ব্যাসার্ধ সেই অঞ্চলের ঘনত্ব দ্বারা নির্ধারিত হয় যেখানে বস্তুটি থাকে। একটি ঘন এলাকায়, আশেপাশে সংকীর্ণভাবে প্রতিনিধিত্ব করা হয়। অসপারস অঞ্চলে, এটি আরও ব্যাপকভাবে উপস্থাপন করা হয়।
এই প্রভাবের ফলে আরও প্রাকৃতিক ক্লাস্টার তৈরি হয়, DBSCAN-এর মতো ঘনত্ব-ভিত্তিক পদ্ধতির তুলনায় যা বিশ্বব্যাপী আশেপাশের এলাকা ব্যবহার করে। তদ্ব্যতীত, অঞ্চলের ঘনত্ব প্রান্তের ওজন হিসাবে রেকর্ড করা হয়। বিশেষ করে, একটি ঘন অঞ্চলের প্রান্তগুলি একটি বিক্ষিপ্ত অঞ্চলের তুলনায় বেশি ওজনের হয়৷
গ্রাফ-পার্টিশনিং অ্যালগরিদম k-nearest-neighbour গ্রাফটিকে এমনভাবে পার্টিশন করে যে এটি প্রান্তটিকে ছোট করে তোলে। অর্থাৎ, ক্লাস্টার C সাব-ক্লাস্টারCi তে বিভক্ত। এবং Cj কাটা প্রান্তের ওজন কমানোর জন্য C কে Ci তে দ্বিখণ্ডিত করা উচিত এবং Cj . প্রান্ত কাটা নির্দেশিত EC (Ci , Cj )এবং ক্লাস্টার Ci এর মধ্যে পরম আন্তঃসংযোগ নির্ধারণ করে এবং Cj .
