ওয়েভক্লাস্টার হল একটি মাল্টি-রেজোলিউশন ক্লাস্টারিং অ্যালগরিদম যা প্রথমে ডেটা স্পেসের উপর একটি বহুমাত্রিক গ্রিড আর্কিটেকচার চাপিয়ে রেকর্ডগুলিকে সংক্ষিপ্ত করে। এটি রূপান্তরিত স্থানের মধ্যে ঘন ডোমেন খুঁজে মূল বৈশিষ্ট্য স্থান পরিবর্তন করতে একটি তরঙ্গ রূপান্তর ব্যবহার করতে পারে।
এই পদ্ধতিতে, প্রতিটি গ্রিড সেল কক্ষে ম্যাপ করা পয়েন্টগুলির একটি গ্রুপের ডেটা সংক্ষিপ্ত করে। এই সারাংশ ডেটা সাধারণত মাল্টি রেজোলিউশন ওয়েভলেট ট্রান্সফর্ম এবং পরবর্তী ক্লাস্টার বিশ্লেষণের মাধ্যমে ব্যবহারের জন্য প্রধান মেমরিতে ফিট করে।
একটি তরঙ্গায়িত রূপান্তর হল একটি সংকেত প্রক্রিয়াকরণ পদ্ধতি যা একটি সংকেতকে একাধিক ফ্রিকোয়েন্সি সাবব্যান্ডে পচিয়ে দেয়। তরঙ্গের মডেলটি একটি এক-মাত্রিক তরঙ্গের রূপান্তর ডি বার ব্যবহার করে d-মাত্রিক সংকেতগুলিতে ব্যবহার করা যেতে পারে। একটি ওয়েভলেটট্রান্সফর্ম প্রয়োগ করার সময়, রেজোলিউশনের বিভিন্ন স্তরে বস্তুর মধ্যে আপেক্ষিক দূরত্ব সংরক্ষণ করতে ডেটা পরিবর্তন করা হয়। এটি ডেটার প্রাকৃতিক ক্লাস্টারগুলিকে আরও সনাক্তযোগ্য হতে সক্ষম করে। নতুন ডোমেনে ঘন এলাকা অনুসন্ধান করে ক্লাস্টারগুলিকে চিনতে পারে৷
৷তরঙ্গায়িত রূপান্তরের সুবিধা নিম্নরূপ -
এটি তত্ত্বাবধানহীন ক্লাস্টারিং প্রদান করে:এটির জন্য টুপি-আকৃতির ফিল্টার প্রয়োজন যেগুলি সেই জায়গাগুলিতে জোর দেয় যেখানে পয়েন্ট ক্লাস্টার হয়, যখন ক্লাস্টার সীমানার বাইরে দুর্বল ডেটা দমন করে৷
-
এটি তত্ত্বাবধানহীন ক্লাস্টারিং প্রদান করে − এটির জন্য টুপি-আকৃতির ফিল্টার প্রয়োজন যেগুলি সেই জায়গাগুলিতে জোর দেয় যেখানে পয়েন্ট ক্লাস্টার হয়, যখন ক্লাস্টারের সীমানার বাইরে দুর্বল ডেটা দমন করে৷
অতএব, প্রারম্ভিক বৈশিষ্ট্যযুক্ত স্থানের ঘন অঞ্চলগুলি সন্নিহিত বিন্দুগুলির জন্য আকর্ষণকারী হিসাবে এবং আরও দূরে অবস্থিত বিন্দুগুলির জন্য প্রতিবন্ধক হিসাবে কাজ করে। এটি সংজ্ঞায়িত করে যে ডেটাতে থাকা ক্লাস্টারগুলি স্বয়ংক্রিয়ভাবে আলাদা হয়ে যায় এবং তাদের চারপাশের অঞ্চলগুলিকে "পরিষ্কার" করে৷ অতএব, আরেকটি সুবিধা হল যে তরঙ্গের রূপান্তর স্বয়ংক্রিয়ভাবে বহিরাগতদের নির্মূল করতে পারে৷
-
তরঙ্গায়িত রূপান্তরের মাল্টি রেজোলিউশন বৈশিষ্ট্যগুলি নির্ভুলতার বিভিন্ন স্তরে ক্লাস্টার সনাক্তকরণকে সমর্থন করতে পারে৷
-
ওয়েভলেট-ভিত্তিক ক্লাস্টারিং খুব দ্রুত, O (n) এর একটি গণনাগত জটিলতা সহ, যেখানে n হল ডাটাবেসের বস্তুর সংখ্যা। অ্যালগরিদম বাস্তবায়ন সমান্তরাল তৈরি করা যেতে পারে।
-
ওয়েভক্লাস্টার একটি গ্রিড-ভিত্তিক এবং ঘনত্ব-ভিত্তিক অ্যালগরিদম - এটি একটি ভাল ক্লাস্টারিং অ্যালগরিদমের বেশ কয়েকটি প্রয়োজনীয়তার সাথে সামঞ্জস্যপূর্ণ - এটি দক্ষতার সাথে বড় ডেটা সেটগুলি পরিচালনা করে, নির্বিচারে আকৃতি সহ ক্লাস্টারগুলি খুঁজে বের করে, সফলভাবে আউটলিয়ারগুলি পরিচালনা করে, ইনপুটের ক্রম সম্পর্কে সংবেদনশীল নয় এবং এর সংখ্যা সহ ইনপুট পরামিতিগুলির সংজ্ঞার প্রয়োজন হয় না ক্লাস্টার বা আশেপাশের ব্যাসার্ধ।
প্রাথমিক গবেষণায়, ওয়েভক্লাস্টারকে BIRCH, CLARANS, এবং DBSCAN-কে দক্ষতা এবং ক্লাস্টারিং গুণমান উভয় ক্ষেত্রেই ছাড়িয়ে যেতে আবিষ্কৃত হয়েছে। গবেষণাটি 20টি মাত্রা পর্যন্ত ডেটা পরিচালনা করতে সক্ষম ওয়েভক্লাস্টারও আবিষ্কার করেছে৷