ক্লাস্টারিং হল নলেজ ডিসকভারির জন্য গুরুত্বপূর্ণ ডেটা মাইনিং পদ্ধতি। ক্লাস্টারিং একটি এক্সপ্লোরেটরি ডেটা অ্যানালিসিস মেথড যা অনেক ডেটা অবজেক্টকে একই গ্রুপে শ্রেণিবদ্ধ করে, যাকে ক্লাস্টার বলা হয়।
DENCLUE হল Density-based Clustering-এর সংক্ষিপ্ত রূপ। এটি ডেন্সিটি ডিস্ট্রিবিউশন ফাংশনগুলির একটি গ্রুপের উপর ভিত্তি করে একটি ক্লাস্টারিং পদ্ধতি। DENCLUE অ্যালগরিদম কernel density estimation-এর উপর ভিত্তি করে একটি ক্লাস্টার মডেল ব্যবহার করে। একটি ক্লাস্টার প্রেডিক্টেড ডেন্সিটি ফাংশনের একটি লোকাল ম্যাক্সিমাম দ্বারা প্রতিনিধিত্ব করা হয়।
DENCLUE ইউনিফর্ম ডিস্ট্রিবিউশন বিশিষ্ট রেকর্ডসে operate করে না। হাই-ডাইমেনশনাল স্পেসে, ডেটা সবসময় ইউনিফর্মলি ডিস্ট্রিবিউটেড দেখায় dimensionality-এর অভিশাপের কারণে। অতএব, DENCLUE সাধারণত হাই-ডাইমেনশনাল রেকর্ডসে ভালো কাজ করে না।
পদ্ধতিটি নিচের আইডিয়াগুলোর উপর নির্মিত:
প্রতিটি ডেটা পয়েন্টের প্রভাবকে একটি গাণিতিক ফাংশন ব্যবহার করে secara formal মডেল করা যেতে পারে, যাকে influence function বলা হয়, যা একটি ডেটা পয়েন্টের তার नेবরহুডের মধ্যে প্রভাব বর্ণনা করে।
ডেটা স্পেসের পুরো ডেন্সিটি analytically মডেল করা যেতে পারে influence function-এর যোগফল হিসেবে যেটি কিছু ডেটা পয়েন্টে অ্যাপ্লাই করা হয়েছে।
ক্লাস্টারগুলো numerically নির্ধারণ করা যেতে পারে density attractors চিহ্নিত করে, যেখানে density attractors হল পুরো density function-এর লোকাল ম্যাক্সিমা।
x এবং y কে অবজেক্ট বা পয়েন্ট ধরি fᵈ-এ, একটি d-ডাইমেনশনাল ইনপুট স্পেস। ডেটা অবজেক্ট y-এর x-উপর influence function হল একটি ফাংশন, f_B^y: fᵈ → R₀⁺, যা একটি basic influence function f_B-এ সংজ্ঞায়িত:
f_B^y(X) = f_B(X,Y)
এটি y-এর x-উপর প্রভাব প্রতিফলিত করে। সিদ্ধান্তে, influence function যেকোনো arbitrary function হতে পারে যা একটি नेবরহুডে দুটি অবজেক্টের মধ্যে দূরত্ব দ্বারা নির্ধারিত হতে পারে। Distance function, d(x, y), অবশ্যই রিফ্লেক্সিভ এবং সিমেট্রিক হতে হবে, Euclidean distance function সহ।
সাধারণত একটি স্কোয়ার ওয়েভ influence function ক্যালকুলেট করতে ব্যবহৃত হয়,
f_square(X,Y) = { 0 if d(x, y) > σ; 1 otherwise }
অথবা একটি গাউসিয়ান influence function,
f_Gauss(x, y) = e^{-d(x, y)² / 2σ²}
DENCLUE-এর সুবিধা
DENCLUE-এর বেশ কিছু সুবিধা রয়েছে:
এটিকে একটি solid numerical foundation রয়েছে এবং অনেক ক্লাস্টারিং পদ্ধতি জেনারেলাইজ করে, যেমন partitioning, hierarchical, and density-based methods।
বड़े পরিমাণ noise বিশিষ্ট ডেটা সেটের জন্য ভালো ক্লাস্টারিং প্রপার্টি রয়েছে।
হাই-ডাইমেনশনাল ইনফরমেশন সেটে arbitrary shaped clusters-এর একটি compact numerical description enable করে।
এটি grid cells ব্যবহার করে, কিন্তু শুধু সেই গ্রিড সেলের ইনফরমেশন রাখে যেনে আসলেই ডেটা পয়েন্ট থাকে। এটি এই সেলগুলো একটি tree-based access structure-এ ম্যানেজ করে, এবং সুতরাং কিছু influential algorithms (যেমন DBSCAN) চেয়ে significant faster।
এই পদ্ধতিটি density parameter σ এবং noise threshold ξ-এর careful selection প্রয়োজন, কারণ таких প্যারামিটারসের নির্বাচন ক্লাস্টারিং রেজাল্টের কোয়ালিটিকে significantভাবে প্রভাবিত করতে পারে।
