হায়ারার্কিক্যাল ক্লাস্টারিং-এর উপাদানগুলো কী?

হায়ারার্কিক্যাল ক্লাস্টারিং-এর উপাদান

একটি হায়ারার্কিক্যাল ক্লাস্টারিং পদ্ধতি ডেটা অবজেক্টগুলোকেও ক্লাস্টারের একটি ট্রি-তে একত্রিত করে কাজ করে। হায়ারার্কিক্যাল ক্লাস্টারিং অ্যালগরিদম টপ-ডাউন বা বটম-আপ হতে পারে। নির্ভুল হায়ারার্কিক্যাল ক্লাস্টারিং কৌশলগুলির বৈশিষ্ট্য তাদের সমন্বয় করার অক্ষমতার কারণে হ্রাস পায় কারণ একটি মের্জ বা স্প্লিট সিদ্ধান্ত একবার নেওয়া হয়।

গ্লোবাল উদ্দেশ্য ফাংশনের অভাব (Lack of a Global Objective Function)

অগ্লোমেরেটিভ হায়ারার্কিক্যাল ক্লাস্টারিং পদ্ধতিগুলো স্থানীয়ভাবে, প্রতিটি ধাপে, কোন ক্লাস্টারগুলোর মের্জ করা উচিত (বা ডিভিসিভ পদ্ধতির জন্য স্প্লিট) সিদ্ধান্ত নেওয়ার জন্য বিভিন্ন উপাদান ব্যবহার করে।

এই পদ্ধতিটি এমন ক্লাস্টারিং অ্যালগরিদম তৈরি করে যা জটিল কম্বিনেটোরিয়াল অপ্টিমাইজেশন সমস্যা সমাধানের কষ্ট Ağao থেকে বাঁচায়।

ভিন্ন আকারের ক্লাস্টার হ্যান্ডেল করার ক্ষমতা (Ability to Handle Different Cluster Sizes)

অগ্লোমেরেটিভ হায়ারার্কিক্যাল ক্লাস্টারিং-এর উপাদান হল কীভাবে একত্রিত করা ক্লাস্টার গোষ্ঠীর আপেক্ষিক আকার বিবেচনা করা হয়। এটি শুধুমাত্র সেই ক্লাস্টার প্রাক্সিমিটি স্কিমের জন্য প্রযোজ্য যাতে যোগফল থাকে, যেমন সেন্ট্রয়েড, वार্ডস, এবং গ্রুপ অ্যাভারেজ।

দুটি পদ্ধতি আছে: ভেরিয়েটেড (weighted), যা সব ক্লাস্টাকে সমানভাবে বিবেচনা করে, এবং আনভেরিয়েটেড (unweighted), যা প্রতিটি ক্লাস্টারের পয়েন্ট সংখ্যা বিবেচনা করে। ভেরিয়েটেড বা আনভেরিয়েটেড পরিভাষা ডেটা পয়েন্টগুলোর বর্ণনা করে, ক্লাস্টারগুলোর নয়। অন্য কথায়, অসমান আকারের ক্লাস্টারকে সমানভাবে বিবেচনা করলে ভিন্ন ক্লাস্টারের পয়েন্টগুলোর ভিন্ন ওজন मिलে, যখন ক্লাস্টার আকার বিবেচনা করলে ভিন্ন ক্লাস্টারের পয়েন্টগুলোর সমান ওজন मिलে।

মের্জ সিদ্ধান্ত চূড়ান্ত (Merging Decisions are Final)

অগ্লোমেরেটিভ হায়ারার্কিক্যাল ক্লাস্টারিং অ্যালগরিদম দুটি ক্লাস্টার মের্জ করার ভালো স্থানীয় সিদ্ধান্ত নেওয়ার দিকে প্রবণ কারণ সেগুলো সব পয়েন্টের জোড়ার সাদৃশ্যের তথ্য ব্যবহার করতে পারে। একবার দুটি ক্লাস্টার মের্জ করার সিদ্ধান্ত নেওয়া হলে, এটি পরবর্তীতে আনডゥ করা যায় না। এই পদ্ধতিটি একটি স্থানীয় অপ্টিমাইজেশন উপাদানকে গ্লোবাল অপ্টিমাইজেশন ক্রাইটেরিয়া হওয়া থেকে বাঁচায়।

উদাহরণস্বরূপ, যদিও K-মিন্স-এর "বর্গ ত্রুটি ন্যূনতম করুন" ক্রাইটেরিয়া ওয়ার্ডস পদ্ধতিতে কোন ক্লাস্টার মের্জ করা উচিত সেটি নির্ধারণে ব্যবহার করা হয়, কিন্তু প্রতিটি স্তরের ক্লাস্টারগুলি মোট SSE পক্ষে স্থানীয় ন্যূনতম উপস্থাপন করে না। সত্যিই, ক্লাস্টারগুলি ডাইনামিক নয়, অর্থাৎ একটি ক্লাস্টারের একটি পয়েন্ট অন্য একটি ক্লাস্টারের সেন্ট্রয়েডের চেয়ে তার নিজস্ব ক্লাস্টারের সেন্ট্রয়েডের চেয়ে নিকট হতে পারে।

কিছু পদ্ধতি চেষ্টা করে যে মের্জ চূড়ান্ত হওয়ার সীমাবদ্ধতা কাটাতে। একটি পদ্ধতি হায়ারার্কিক্যাল ক্লাস্টারিং রিফাইন করার চেষ্টা করে ট্রির শাখাগুলোকে ঘুরিয়ে দিয়ে একটি গ্লোবাল উদ্দেশ্য ফাংশন উন্নত করতে। অন্য পদ্ধতিতে K-মিন্সের মতো একটি পার্টিশনাল ক্লাস্টারিং কৌশল ব্যবহার করে কিছু ছোট ক্লাস্টার তৈরি করা হয় এবং তারপর সেসব ছোট ক্লাস্টারকে প্রারম্ভিক বিন্দু হিসেবে ব্যবহার করে হায়ারার্কিক্যাল ক্লাস্টারিং প্রয়োগ করা হয়।