গ্রাফ-ভিত্তিক ক্লাস্টারিং পদ্ধতি
ভৌত বা বিমূর্ত অবজেক্টের একটি সেটকে একই ধরনের অবজেক্টের শ্রেণিতে গোষ্ঠীভুক্ত করার প্রক্রিয়াকে ক্লাস্টারিং বলে। একটি ক্লাস্টার হল ডেটা অবজেক্টের একটি সেট যারা একই ক্লাস্টারের মধ্যে একে অপরের সাথে সাদৃশ্যপূর্ণ এবং অন্যান্য ক্লাস্টারের অবজেক্টlerden ভিন্ন। ডেটা অবজেক্টের একটি ক্লাস্টারকে অনেক অ্যাপ্লিকেশনে সামूहিকভাবে একটি গ্রুপ হিসেবে বিবেচনা করা যায়। ক্লাস্টার অ্যানালাইসিস মানুষের একটি গুরুত্বপূর্ণ কার্যকলাপ।
ক্লাস্টারিং আউটলায়ার সনাক্ত করতে সাহায্য করে। একই মানগুলো ক্লাস্টারে সংগঠিত হয় এবং যেসব মান ক্লাস্টারের বাইরে পড়ে সেগুলোকেও আউটলায়ার বলা হয়। ক্লাস্টারিং কৌশল ডেটা টাপলকে অবজেক্ট হিসেবে বিবেচনা করে। সেগুলোকেও গ্রুপ বা ক্লাস্টারে পার্টিশন করে যাতে ক্লাস্টারের ভিতরের অবজেক্টগুলো একে অপরের সাথে "সাদৃশ্যপূর্ণ" এবং অন্যান্য ক্লাস্টারের অবজেক্টদের সাথে "বিসাদৃশ্য"। এটি সাধারণত স্পেসে অবজেক্টগুলো কতটুকু "নিকট" সেটি একটি ডিস্ট্যান্স ফাংশন alapján নির্ধারণ করা হয়।
গ্রাফ-ভিত্তিক ক্লাস্টারিং-এর বিভিন্ন পদ্ধতি
প্রাক্সিমিটি গ্রাফকে স্পার্সিফাই করুন শুধু একটি অবজেক্টের তার নিকটতম নেইবরের লিংক রাখতে। এই স্পার্সিফিকেশন নয়েজ ও আউটলায়ার হ্যান্ডেল করার জন্য উপকারী। এতে স্পার্স গ্রাফের জন্য উন্নত অত্যন্ত কার্যকর গ্রাফ পার্টিশনিং অ্যালগরিদম ব্যবহার করা সম্ভব হয়।
দুটি অবজেক্টের মধ্যে সাদৃশ্য মাপ সংজ্ঞায়িত করুন যেগুলো সবচেয়ে নিকটতম নেইবর সाझা করে। এই পদ্ধতি, যেটি এই পর্যবেক্ষণের ওপর ভিত্তি করে যে একটি অবজেক্ট এবং তার নিকটতম নেইবররা সাধারণত একই ক্লাসের অন্তর্ভুক্ত, উচ্চ ডায়মেনশনালিটি এবং পরিবর্তনশীল ঘনত্বের ক্লাস্টারের সমস্যা সমাধানের জন্য উপকারী।
কোর অবজেক্ট চিহ্নিত করুন এবং সেসব কোর অবজেক্টের চারদিকে ক্লাস্টার তৈরি করুন। গ্রাফ-ভিত্তিক ক্লাস্টারিং-এ, একটি প্রাক্সিমিটি গ্রাফ বা স্পার্সিফাইড প্রাক্সিমিটি গ্রাফের ওপর ভিত্তি করে ঘনত্বের ধারণা معرفی করা জরুরি। DBSCAN-এর মতো, কোর অবজেক্টের চারদিকে ক্লাস্টার তৈরি করলে এমন একটি ক্লাস্টারিং পদ্ধতি তৈরি হয় যা ভিন্ন আকৃতি ও আকারের ক্লাস্টার আবিষ্কার করতে পারে।
প্রাক্সিমিটি গ্রাফের তথ্য ব্যবহার করুন দুটি ক্লাস্টার মের্জ করা উচিত কিনা সেটির আরও জটিল গণনা সমর্থন করতে। বিশেষ করে দুটি ক্লাস্টার শুধু তখন মের্জ করা হয় যখন ফলাফলস্বরূপ ক্লাস্টারটি মূল দুটি ক্লাস্টারের মতো বৈশিষ্ট্য রাখবে।
প্রাক্সিমিটি গ্রাফের স্পার্সিফিকেশন নিয়ে আলোচনা করা হয়, দুটি কৌশলের উদাহরণ দিয়ে যেসব ক্লাস্টারিং পদ্ধতির পদ্ধতি এই পদ্ধতির ওপর ভিত্তি করে যেমন MST যা সিংগেল লিংক ক্লাস্টারিং অ্যালগরিদমের অনুরূপ, এবং Opossum।
একটি হায়ারার্কিক্যাল ক্লাস্টারিং অ্যালগরিদম যা সেলফ-সিমিলারিটি ধারণা ব্যবহার করে নির্ধারণ করে ক্লাস্টারগুলো মের্জ করা উচিত কিনা। শেয়ারড নিয়ারেস্ট নেইবর (SNN) সাদৃশ্য সংজ্ঞায়িত করা হয় (একটি নতুন সাদৃশ্য মাপ) এবং জারভিস-প্যাট্রিক ক্লাস্টারিং অ্যালগরিদম শিখা হয় যা এই সাদৃশ্য ব্যবহার করে।
