ধারণামূলক ক্লাস্টারিং কী?

ধারণামূলক ক্লাস্টারিং

ধারণামূলক ক্লাস্টারিং মেশিন লার্নিং-এ ক্লাস্টারিংর একটি রূপ যা, একটি লেবেলহীন বস্তু সেট দেওয়া থাকলে, বস্তুগুলির ওপর একটি শ্রেণিবিন্যাস ডিজাইন তৈরি করে। সাধারণ ক্লাস্টারিংয়ের বিপরীতে, যা সাধারণত সাদৃশ্যপূর্ণ বস্তুগুলোর গোষ্ঠী শনাক্ত করে, ধারণামূলক ক্লাস্টারিং এক কদম বেশি এগিয়ে প্রতিটি গোষ্ঠীর বৈশিষ্ট্যমূলক সংজ্ঞাও আবিষ্কার করে, যেখানে প্রতিটি গোষ্ঠী একটি ধারণা বা ক্লাস সংজ্ঞায়িত করে।

অতএব, ধারণামূলক ক্লাস্টারিং একটি দুই-ধাপের প্রক্রিয়া: প্রথমে ক্লাস্টারিং বাস্তবায়ন করা হয়, তারপর বৈশিষ্ট্যাবলী করা হয়। এইভাবে, ক্লাস্টারিং গুণমান একক বস্তুগুলির একমাত্র সেবা নয়। ধারণামূলক ক্লাস্টারিংর অধিকাংশ কৌশল একটি সঠায়িক পদ্ধতি অবলম্বন করে যা ধারণা বা ক্লাস্টার নির্ধারণে সম্ভাবনা মাপ ব্যবহার করে।

COBWEB পদ্ধতি

প্রতিটি প্রাপ্ত ধারণা সংজ্ঞায়িত করতে সাধারণত সম্ভাবনামূলক বর্ণনা ব্যবহার করা হয়। COBWEB হল ক্রমাগত ধারণামূলক ক্লাস্টারিংর একটি বিখ্যাত ও সহজ পদ্ধতি। এর ইনপুট বস্তু ক্যাটাগরিক্যাল অ্যাট্রিবিউট-ভ্যালু জোড়া দ্বারা সংজ্ঞায়িত। COBWEB একটি শ্রেণিবিন্যাস গাছের রূপে একটি শ্রেণিবদ্ধ ক্লাস্টারিং তৈরি করে।

একটি শ্রেণিবিন্যাস গাছ একটি সিদ্ধান্ত গাছ থেকে ভিন্ন। একটি শ্রেণিবিন্যাস গাছের প্রতিটি নোড একটি ধারণা উপস্থাপন করে এবং সেই ধারণার একটি সম্ভাবনামূলক বর্ণনা অন্তর্ভুক্ত করে, যা নোডের অধীনে শ্রেণিবিন্যাসকৃত বস্তুগুলোর সারসংক্ষেপ দেয়। সম্ভাবনামূলক বর্ণনায় ধারণার সম্ভাবনা এবং শর্তাধীন সম্ভাবনা P(Aᵢ=vⱼ|Cₖ) আকারে রয়েছে, যেখানে Aᵢ=vⱼ একটি অ্যাট্রিবিউট-ভ্যালু জোড়া (i-তম অ্যাট্রিবিউট তার j-তম সম্ভাব্য মান নেয়) এবং Cₖ হল ধারণা ক্লাস।

ক্যাটাগরি ইউটিলিটি

COBWEB গাছ নির্মাণের নির্দেশনা করার জন্য একটি হিউরিস্টিক মূল্যায়ন মাপ, ক্যাটাগরি ইউটিলিটি (CU), ব্যবহার করে। ক্যাটাগরি ইউটিলিটি (CU) সংজ্ঞায়িত:

CU = (Σₖ P(Cₖ)[Σᵢ Σⱼ P(Aᵢ=vⱼ|Cₖ)² − Σᵢ Σⱼ P(Aᵢ=vⱼ)²]) / n

যেখানে n হল নোড, ধারণা, বা "ক্যাটাগরি"র সংখ্যা যা প্রদত্ত গাছের স্তরে একটি পার্টিশন, {C₁, C₂, ..., Cₙ}, গঠন করে। অন্য কথায়, ক্যাটাগরি ইউটিলিটি হল পার্টিশন দেওয়া থাকলে আশা করা অ্যাট্রিবিউট-ভ্যালুর সংখ্যা যেগুলো ভুলবশত অনুমান করা যায় (যেখানে এই আশা করা সংখ্যাটি পদ P(Cₖ)ΣᵢΣⱼP(Aᵢ=vⱼ|Cₖ)²-এর সাথে মিলে যায়) এর পূর্ণাঙ্গ করা আশা করা সঠিক অনুমানের সংখ্যা (যে পদটি ΣᵢΣⱼP(Aᵢ=vⱼ)²-এর সাথে মিলে যায়) এর ওপর বৃদ্ধি।

যদিও এখানে המקום নেই উদ্ভূতকরণ দেখানোর, ক্যাটাগরি ইউটিলিটি আন্তঃক্লাস সাদৃশ্য এবং অন্তঃক্লাস অসাদৃশ্যকে পুরস্কৃত করে, যেখানে:

আন্তঃক্লাস সাদৃশ্য

এটি সম্ভাবনা P(Aᵢ=vⱼ|Cₖ)। এই মান যত বেশি, ক্লাস সদস্যের তত বেশি অনুপাত এই অ্যাট্রিবিউট-ভ্যালু জোড়া শেয়ার করে এবং জোড়াটি ক্লাস সদস্যের জন্য তত বেশি পূর্বাভাসযোগ্য।

অন্তঃক্লাস অসাদৃশ্য

এটি সম্ভাবনা P(Cₖ|Aᵢ=vⱼ)। এই মান যত বেশি, বিপরীত ক্লাসের বস্তুর তত কম অনুপাত এই অ্যাট্রিবিউট-ভ্যালু জোড়া শেয়ার করে এবং জোড়াটি ক্লাসের জন্য তত বেশি প্রেডিক্টিভ।

COBWEB একটি উপযুক্ত পথ দিয়ে গাছ নিচে আসে, রাস্তায় কাউন্ট রিফ্রেশ করে, "সেরা হোস্ট" বা নোড খুঁজে বের করতে যেখানে বস্তুটি সংজ্ঞায়িত করা উচিত। এই সিদ্ধাম করার জন্য বস্তুটি 임시ভাবে প্রতিটি নোডে রাখা হয় এবং ফলাফলস্বরূপ পার্টিশনের ক্যাটাগরি ইউটিলিটি মূল্যায়ন করা হয়। যে প্লেসমেন্টটি সর্বোচ্চ ক্যাটাগরি ইউটিলিটি দেয়, সেটিই বস্তুর জন্য সেরা হোস্ট হওয়া উচিত।