K-মিন্স এবং DBSCAN-এর পার্থক্য কী?

K-মিন্স এবং DBSCAN-এর পার্থক্য

K-মিন্স

K-মিন্স ক্লাস্টারিং একটি পার্টিশনিং অ্যালগরিদম। K-মিন্স ডেটাসেটের প্রতিটি ডেটাকে নতুন তৈরি ক্লাস্টারগুলির শুধুমাত্র একটির কাছে বরাদ্দ করে। একটি ডেটা বা ডেটা পয়েন্টকে দূরত্ব বা সাদৃশ্যের মাপ ব্যবহার করে নিকটতম ক্লাস্টারের কাছে বরাদ্দ করা হয়।

K-মিন্স-এ, একটি অবজেক্টকে নিকটতম সেন্টারের কাছে বরাদ্দ করা হয়। এটি ক্যান-নট-লিংক কনস্ট্রেইন্ট সংজ্ঞায়িত করতে পারে, এবং এটি K-মিন্স-এ সেন্টার বরাদ্দ প্রক্রিয়াকে নিকটতম প্রযোজ্য সেন্টার বরাদ্দে পরিবর্তন করে।

যখন অবজেক্টগুলি ক্রমবদ্ধভাবে সেন্টারগুলোর কাছে বরাদ্দ করা হয়, তখন প্রতিটি ধাপে এটি নিশ্চিত করা যায় যে এতক্ষণ сде বরাদ্দগুলোর কোনো ক্যান-নট-লিংক কনস্ট্রেইন্ট লঙ্ঘন হয় না। একটি অবজেক্টকে নিকটতম সেন্টারের কাছে বরাদ্দ করা হয় যাতে বরাদ্দটি সব ক্যান-নট-লিংক কনস্ট্রেইন্টের মান রাখে।

DBSCAN

DBSCAN означаে Density-Based Spatial Clustering of Applications with Noise। এটি একটি ঘনত্ব-ভিত্তিক ক্লাস্টারিং অ্যালগরিদম। এই অ্যালগরিদম যথেষ্ট উচ্চ ঘনত্ব वाले অঞ্চলগুলোকেও ক্লাস্টারে রূপান্তরিত করে এবং নয়েজসহ স্থানিক ডেটাবেসে নির্বিচারে আকৃতির ক্লাস্টার আবিষ্কার করে। এটি একটি ক্লাস্টাকে ঘনত্ব-সংযুক্ত পয়েন্টের একটি সর্বোচ্চ সেট হিসেবে সংজ্ঞায়িত করে।

একটি ঘনত্ব-ভিত্তিক ক্লাস্টার হল ঘনত্ব-সংযুক্ত অবজেক্টগুলির একটি সেট যা ঘনত্ব-প্রাপ্যতা (density-reachability) পক্ষে সর্বোচ্চ। যেকোনো ক্লাস্টারের অংশ না হওয়া প্রতিটি অবজেক্টকে নয়েজ বলে ধরা হয়।

DBSCAN ডেটাবেসের প্রতিটি পয়েন্টের ε-নIGHবরহुड যাচাই করে ক্লাস্টার খুঁজে বের করে। যদি একটি পয়েন্ট p-এর ε-নIGHবরহুডে MinPts-এর চেয়ে বেশি পয়েন্ট থাকে, তবে p-কে কোর এলিমেন্ট হিসেবে একটি নতুন ক্লাস্টার তৈরি হয়। DBSCAN পুনরাবৃত্তিমূলকভাবে এই কোর এলিমেন্ট থেকে ঘনত্ব-প্রাপ্য অবজেক্টগুলোকেও একত্রিত করে, যাতে কয়েকটি ঘনত্ব-প্রাপ্য ক্লাস্টার মের্জ হতে পারে। প্রক্রিয়াটি তখন শেষ হয় যখন কোনো নতুন পয়েন্ট কোনো ক্লাস্টারের সাথে যোগ করা যায় না।

তুলনামূলক সারণী