আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিং
আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিং হল একটি পদ্ধতি যা ডোমেন জ্ঞান ব্যবহার করে লেবেলহীন ডেটা পার্টিশন করে। এটি সাধারণত উদাহরণগুলির মধ্যে জোড়া বাধ্যতা বা শুধু একটি অতিরিক্ত লেবেলযুক্ত উদাহরণ সেট হিসেবে প্রকাশ করা হয়।
অনুপরীক্ষা ক্লাস্টারিংয়ের গুণমান কিছু দুর্বল পর্যাবেক্ষণ কাঠামো ব্যবহার করে উল্লেখযোগ্যভাবে উন্নত করা যায়, উদাহরণস্বরূপ জোড়া বাধ্যতা (অর্থাৎ, একই বা ভিন্ন ক্লাস্টারে принадлежа করা বস্তুর জোড়া লেবেল) আকারে। ব্যবহারকারীর প্রতিক্রিয়া বা নির্দেশিকা বাধ্যতার উপর নির্ভরশীল এমন একটি ক্লাস্টারিং প্রক্রিয়াকে আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিং বলা হয়।
আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিংয়ের পদ্ধতিগুলো
আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিংয়ের বেশ কিছু পদ্ধতি রয়েছে যা দুটি শ্রেণিতে ভাগ করা যায়:
বাধ্যতা-ভিত্তিক আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিং
এটি ব্যবহারকারী-প্রদত্ত লেবেল বা বাধ্যতা ব্যবহার করে অ্যালগরিদমকে আরও উপযুক্ত ডেটা পার্টিশনের দিকে নিয়ে যায়। এর মধ্যে রয়েছে বাধ্যতার ওপর ভিত্তি করে উদ্দেশ্য ফাংশন পরিবর্তন করা বা লেবেলযুক্ত বস্তুগুলির ভিত্তিতে ক্লাস্টারিং প্রক্রিয়া আরম্ভ ও সীমাবদ্ধ করা।
দূরত্ব-ভিত্তিক আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিং
এটি একটি অভিযোজিত দূরত্ব মাপ ব্যবহার করে যা সুপারভাইজড ডেটাতে লেবেল বা বাধ্যতা সন্তুষ্ট করার জন্য প্রশিক্ষিত। একাধিক অভিযোজিত দূরত্ব মাপ ব্যবহার করা হয়েছে, যেমন এক্সপেক্টেশন-ম্যাক্সিমাইজেশন (EM) ব্যবহার করে প্রশিক্ষিত স্ট্রিং-এডিট দূরত্ব, এবং শর্টেস্ট পাথ অ্যালগরিদম দ্বারা পরিবর্তিত ইউক্লিডিয়ান দূরত্ব।
CLTree পদ্ধতি
একটি আকর্ষণীয় ক্লাস্টারিং পদ্ধতি, যাকে CLTree (CLustering based on decision TREEs) বলা হয়। এটি অনুপরীক্ষা ক্লাস্টারিংকে সুপারভাইজড শ্রেণিবিন্যাসের ধারণার সাথে একত্রিত করে। এটি বাধ্যতা-ভিত্তিক আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিংর একটি উদাহরণ। এটি একটি ক্লাস্টারিং কাজকে একটি শ্রেণিবিন্যাস کار্যে রূপান্তর করে ক্লাস্টার করা পয়েন্ট সেটকে একটি ক্লাস হিসেবে বিবেচনা করে, "Y" হিসেবে লেবেল করা, এবং একটি সেট আপেক্ষিকভাবে সমানভাবে বিতরণ করা, "অস্তিত্বহীন পয়েন্ট" একাধিক ক্লাস লেবেল "N" সহ যোগ করে।
ডেটা এলাকাকে ডেটা (ঘন) অঞ্চল এবং খালি (বিরল) অঞ্চলে পার্টিশন করার সমস্যাটাকে এখন একটি শ্রেণিবিন্যাস সমস্যায় রূপান্তর করা যায়। এই পয়েন্টগুলিকে "Y" পয়েন্টের একটি সেট হিসেবে বিবেচনা করা যায়। এটি "o" পয়েন্ট দ্বারা সংজ্ঞায়িত সমানভাবে বিতরণ করা "N" পয়েন্টের একটি সংগ্রহ যোগ করা দেখায়।
মূল ক্লাস্টারিং সমস্যাটি এখন একটি শ্রেণিবিন্যাস সমস্যায় রূপান্তরিত, যা "Y" এবং "N" পয়েন্ট পার্থক্য করার একটি ডিজাইন বের করে। দুই-মাত্রিক স্পেস পার্টিশন করতে সিদ্ধান্ত গাছ প্রেরণ পদ্ধতি ব্যবহার করা যেতে পারে। দুটি ক্লাস্টার শনাক্ত করা যায়, যা শুধু "Y" পয়েন্ট থেকে।
মূল ডেটাতে বড় পরিমাণ "N" পয়েন্ট যোগ করলে গণনায় অপ্রয়োজনীয় ওভারহেড যোগ হতে পারে। 더불어, যোগ করা কিছু পয়েন্ট আসলেও একটি খুব উচ্চ-মাত্রিক স্পেসে সমানভাবে বিতরণ করা হবে তা অসম্ভব, কারণ এর জন্য একটি এক্সপোনেনশিয়াল সংখ্যক পয়েন্ট প্রয়োজন হবে।
