STING মানে পরিসংখ্যানগত তথ্য গ্রিড। STING হল একটি গ্রিড-ভিত্তিক মাল্টি-রেজোলিউশন ক্লাস্টারিং পদ্ধতি যেখানে স্থানিক এলাকাকে আয়তক্ষেত্রাকার কোষে ভাগ করা হয়। রেজোলিউশনের একাধিক পদ্ধতির সমতুল্য এই ধরনের আয়তক্ষেত্রাকার কোষগুলির বেশ কয়েকটি পদ্ধতি রয়েছে এবং এই কোষগুলি একটি উচ্চ স্তরের প্রতিটি কোষকে পরবর্তী নিম্ন স্তরে একাধিক কোষ গঠনের জন্য পৃথকীকরণ করে একটি শ্রেণিবদ্ধ কাঠামো তৈরি করে।
প্রতিটি গ্রিড কক্ষের বৈশিষ্ট্য সম্পর্কিত পরিসংখ্যানগত তথ্য (গড়, সর্বোচ্চ এবং সর্বনিম্ন মান সহ) পূর্বনির্ধারিত এবং সংরক্ষণ করা হয়। উচ্চ-স্তরের কোষগুলির পরিসংখ্যানগত পরামিতিগুলি নিম্ন-স্তরের কোষগুলির পরামিতিগুলি থেকে সহজভাবে গণনা করা যেতে পারে৷
এই পরামিতিগুলিতে নিম্নলিখিতগুলি রয়েছে - বৈশিষ্ট্য-স্বাধীন প্যারামিটার, গণনা, এবং বৈশিষ্ট্য-নির্ভর পরামিতি, গড়, stdev (স্ট্যান্ডার্ড বিচ্যুতি), ন্যূনতম (সর্বনিম্ন), সর্বোচ্চ (সর্বোচ্চ); এবং বণ্টনের ধরন যা ঘরের বৈশিষ্ট্য মান অনুসরণ করে, যার মধ্যে রয়েছে স্বাভাবিক, অভিন্ন, সূচকীয়, বা কোনোটিই নয় (যদি বিতরণটি বেনামী হয়)।
যখন রেকর্ডগুলি ডেটাবেসে লোড করা হয়, তখন পরামিতিগুলি গণনা, গড়, stdev, ন্যূনতম এবং নীচের স্তরের সেলগুলির সর্বোচ্চ রেকর্ডগুলি থেকে সরাসরি গণনা করা হয়৷ ডিস্ট্রিবিউশনের মান ব্যবহারকারী দ্বারা বরাদ্দ করা যেতে পারে যদি ডিস্ট্রিবিউশনের ধরন আগে থেকে জানা থাকে বা χ 2 সহ হাইপোথিসিস পরীক্ষার মাধ্যমে প্রাপ্ত হয় পরীক্ষা।
একটি বৃহত্তর-স্তরের কক্ষের বিতরণের ধরন যা একটি থ্রেশহোল্ড ফিল্টারিং পদ্ধতির সাথে একত্রে তার সমতুল্য নিম্ন-স্তরের কোষগুলির বন্টন প্রকারের বাল্কের উপর ভিত্তি করে মূল্যায়ন করা যেতে পারে। যদি নিম্ন-স্তরের কোষগুলির বিতরণ একে অপরের সাথে একমত না হয় এবং থ্রেশহোল্ড পরীক্ষা প্রত্যাখ্যান করে, তবে উচ্চ-স্তরের কোষের বিতরণের ধরণটি কোনটিতে সেট করা হয় না৷
গ্রিড-ভিত্তিক ক্লাস্টারিং পদ্ধতিগুলি একটি বহু-রেজোলিউশন গ্রিড ডেটা কাঠামো ব্যবহার করে। এটি বস্তুর স্থানকে একাধিক কোষে পরিমাপ করে যা একটি গ্রিড কাঠামো গঠন করে যার উপর ক্লাস্টারিংয়ের জন্য কিছু ক্রিয়াকলাপ প্রয়োগ করা হয়। পদ্ধতির সুবিধা হল এর দ্রুত প্রক্রিয়াকরণের সময়, যা সাধারণত ডেটা অবজেক্টের সংখ্যা থেকে স্বাধীন, এখনও পরিমাপকৃত স্থানের প্রতিটি মাত্রার একাধিক কোষের উপর নির্ভর করে।
গ্রিড-ভিত্তিক পদ্ধতির একটি উদাহরণের মধ্যে রয়েছে STING, যা গ্রিড কোষে সংরক্ষিত পরিসংখ্যানগত ডেটা অন্বেষণ করে, ওয়েভক্লাস্টার, যা একটি ওয়েভলেট ট্রান্সফর্ম পদ্ধতি ব্যবহার করে বস্তুকে ক্লাস্টার করে এবং CLIQUE, যা উচ্চ-এ ক্লাস্টারিংয়ের জন্য একটি গ্রিড-এবং ঘনত্ব-ভিত্তিক পদ্ধতি সংজ্ঞায়িত করে। মাত্রিক ডেটা এলাকা।
এই পদ্ধতির সুবিধা হল একটি প্রশ্ন-স্বাধীন পদ্ধতি যেহেতু পরিসংখ্যানগত তথ্য প্রশ্ন থেকে স্বাধীনভাবে বিদ্যমান। এটি প্রতিটি গ্রিড কক্ষের ডেটার একটি স্বাভাবিক বিবরণ, যা একটি বিশাল শ্রেণীর প্রশ্নের উত্তর সমর্থন করতে ব্যবহার করা যেতে পারে। গণনাগত জটিলতা হল O (K), যেখানে K হল সর্বনিম্ন স্তরে গ্রিড কোষের সংখ্যা। এটি সাধারণত K <
