বাধ্যতা-ভিত্তিক ক্লাস্টারিং
বাধ্যতা-ভিত্তিক ক্লাস্টারিং ব্যবহারকারী-ব্যাখ্যাত পছন্দ বা বাধ্যতা সন্তুষ্টকারী ক্লাস্টার খুঁজে বের করে। বাধ্যতার প্রকৃতির ওপর ভিত্তি করে, বাধ্যতা-ভিত্তিক ক্লাস্টারিং বিভিন্ন পদ্ধতি अपनाতে পারে। বাধ্যতার বেশ কিছু বিভাগ রয়েছে:
আপক উম্মিদवार বস্তুগুলোর ওপর বাধ্যতা
এটি ক্লাস্টার করা বস্তুগুলোর ওপর বাধ্যতা সংজ্ঞায়িত করতে পারে। একটি রিয়েল এস্টেট অ্যাপ্লিকেশনে, উদাহরণস্বরূপ, কেউ কেবল সেগুলো লাক্সারি মানসন যা মিলিয়ন ডলারের বেশি মূল্যের пространিকভাবে ক্লাস্টার করতে চাইতে পারে। এই বাধ্যতা ক্লাস্টার করা বস্তু সংগ্রহকে সীমাবদ্ধ করে। এটি সহজে প্রিপ্রসেসিং দ্বারা পরিচালনা করা যায় (যেমন: SQL কোয়েরি ব্যবহার করে সিলেকশন প্রয়োগ), যার পর সমস্যা অনবাধ্য ক্লাস্টারিংর একটি উদাহরণে কমে যায়।
ক্লাস্টারিং প্যারামিটার নির্বাচনে বাধ্যতা
একজন ব্যবহারকারী প্রতিটি ক্লাস্টারিং প্যারামিটারের জন্য একটি কাঙ্ক্ষিত পরিসর সেট করতে চাইতে পারে। ক্লাস্টারিং প্যারামিটারগুলি সাধারণত প্রদত্ত ক্লাস্টারিং অ্যালগরিদমের জন্য খুব নির্দিষ্ট। প্যারামিটারের উদাহরণ রয়েছে k, k-মিনস অ্যালগরিদমে কাঙ্ক্ষিত ক্লাস্টার সংখ্যা; অথবা ε (ব্যাসার্ধ) এবং MinPts (ন্যূনতম পয়েন্ট সংখ্যা) DBSCAN অ্যালগরিদমে।
यद्यপি такие ব্যবহারকারী-নির্দিষ্ট প্যারামিটার ক্লাস্টারিং ফলাফলে শক্তিশালী প্রভাব ফেলতে পারে, সেগুলো সাধারণত অ্যালগরিদমটিই সীমাবদ্ধ। অতএব, তাদের ফাইন-টিউনিং এবং প্রক্রিয়াকরণ সাধারণত বাধ্যতা-ভিত্তিক ক্লাস্টারিংর একটি রূপ বলে বিবেচিত হয় না।
দূরত্ব বা সাদৃশ্য ফাংশনে বাধ্যতা
এটি ক্লাস্টার করা বস্তুগুলির নির্দিষ্ট অ্যাট্রিবিউটের জন্য ভিন্ন দূরত্ব বা সাদৃশ্য ফাংশন, বা বস্তুগুলির নির্দিষ্ট জোড়ার জন্য ভিন্ন দূরত্ব মাপ সংজ্ঞায়িত করতে পারে। খেলোয়ার ক্লাস্টার করার সময়, উদাহরণস্বরূপ, উচ্চতা, শরীরের ওজন, বয়স, এবং দক্ষতা স্তরের জন্য ভিন্ন ওজন স্কিম ব্যবহার করা যেতে পারে।
অলগো ক্লাস্টারের বৈশিষ্ট্যের ওপর ব্যবহারকারী-নির্দিষ্ট বাধ্যতা
একজন ব্যবহারকারী ফলাফলস্বরূপ ক্লাস্টারগুলির কাঙ্ক্ষিত বৈশিষ্ট্য নির্দিষ্ট করতে পারেন, যা ক্লাস্টারিং প্রক্রিয়াকে শক্তিশালীভাবে প্রভাবিত করতে পারে।
একটি প্যাকেজ ডেলিভারি কোম্পানি বিবেচনা করুন যা একটি শহরে kটি সার্ভিস স্টেশনের অবস্থান নির্ধারণ করতে চায়। কোম্পানির একটি ডেটাবেস আছে যা ব্যবহারকারীর নাম, অবস্থান, কোম্পানির সেবা ব্যবহার শুরু করার পর থেকে बीते समय, এবং গড় মাসিক মূল্য নিবন্ধন করে। এই লোকেশন নির্বাচন সমস্যাকে গ্রাহকের অবস্থান ভিত্তিক দূরত্ব ফাংশন ব্যবহার করে অনবাধ্য ক্লাস্টারিংর একটি উদাহরণ হিসেবে ফরমুলেট করা যেতে পারে।
একটি বুদ্ধিমান পদ্ধতি হল গ্রাহকদের দুটি শ্রেণিতে ভাগ করা: উচ্চ-মূল্য গ্রাহক (যাদের ঘন ঘন, নিয়মিত সেবা প্রয়োজন) এবং সাধারণ গ্রাহক (যাদের মাঝে মাঝে সেবা প্রয়োজন)। খরচ বাঁচাতে এবং ভাল সেবা নিশ্চিত করতে, ম্যানেজার নিম্নলিখিত বাধ্যতাগুলো যোগ করেন:
- প্রতিটি স্টেশন কমপক্ষে ১০০ উচ্চ-মূল্য গ্রাহক সেবা দিতে হবে।
- প্রতিটি স্টেশন কমপক্ষে ৫,০০০ সাধারণ গ্রাহক সেবা দিতে হবে। বাধ্যতা-ভিত্তিক ক্লাস্টারিং এই বাধ্যতাগুলো ক্লাস্টারিং প্রক্রিয়া চলাকালীন বিবেচনা করবে।
"আংশিক" পর্যাবেক্ষণ ভিত্তিক আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিং
অনুপরীক্ষা ক্লাস্টারিংয়ের গুণমান কিছু দুর্বল রূপের পর্যাবেক্ষণ ব্যবহার করে উল্লেখযোগ্যভাবে উন্নত করা যায়। এটি জোড়া বাধ্যতার আকারে হতে পারে (অর্থাৎ, একই বা ভিন্ন ক্লাস্টারের স্বামিত্বে লেবেলযুক্ত বস্তু জোড়া)। এমন একটি সীমাবদ্ধ ক্লাস্টারিং প্রক্রিয়াকে আর্ধ-পর্যাবেক্ষণ ক্লাস্টারিং বলা হয়।
