क्लस्टरिंग के विभिन्न तरीके निम्नलिखित हैं:
पार्टीशनिंग मेथड (Partitioning Methods)
n ऑब्जेक्ट या डेटा टपल्स के डेटाबेस को देखते हुए, एक पार्टीशनिंग मेथड जानकारी के k पार्टीशन को असेंबल करता है, जहां प्रत्येक पार्टीशन एक क्लस्टर को परिभाषित करता है, और k < n। यह डेटा को k समूहों में आवंटित कर सकता है, जो निम्नलिखित आवश्यकता को पूरा कर सकते हैं:
प्रत्येक समूह में कम से कम एक ऑब्जेक्ट शामिल होना चाहिए।
प्रत्येक ऑब्जेक्ट को सटीक रूप से एक समूह पर लागू होना चाहिए।
k दिए जाने पर, बनाने के लिए पार्टीशन की संख्या, एक पार्टीशनिंग मेथड एक प्रारंभिक पार्टीशनिंग बनाता है। यह तब एक पुनरावृत्त पुनर्वास विधि का उपयोग करता है जो एक समूह से दूसरे समूह में ऑब्जेक्ट को स्थानांतरित करके पार्टीशनिंग में सुधार करने का प्रयास करता है।
अच्छे पार्टीशनिंग का सामान्य मानदंड यह है कि एक ही क्लस्टर में ऑब्जेक्ट एक-दूसरे के "करीब" या जुड़े हुए हैं, जबकि अलग-अलग क्लस्टर के ऑब्जेक्ट "दूर" या बहुत अलग हैं। पार्टीशन की गुणवत्ता निर्धारित करने के लिए कई अन्य मानदंड हैं।
हायरार्किकल मेथड (Hierarchical Methods)
एक हायरार्किकल मेथड दिए गए डेटा ऑब्जेक्ट के सेट का एक पदानुक्रमित विघटन उत्पन्न करता है। एक हायरार्किकल मेथड को या तो एग्लोमरेटिव या डिवाइसिव के रूप में वर्गीकृत किया जा सकता है, इस पर निर्भर करता है कि पदानुक्रमित विघटन कैसे उत्पन्न होता है। एग्लोमरेटिव दृष्टिकोण को "बॉटम-अप" दृष्टिकोण के रूप में भी जाना जाता है।
यह प्रत्येक ऑब्जेक्ट के साथ एक स्वतंत्र समूह बनाने से शुरू होता है। यह सफलतापूर्वक एक-दूसरे के करीब ऑब्जेक्ट या समूहों को जोड़ता है, जब तक कि सभी समूह एक में संयुक्त न हो जाएं (पदानुक्रम का शीर्ष स्तर), या जब तक समाप्ति की शर्त न हो। डिवाइसिव दृष्टिकोण को "टॉप-डाउन" दृष्टिकोण के रूप में भी संदर्भित किया जाता है। यह सभी ऑब्जेक्ट को एक ही क्लस्टर में शुरू करता है। प्रत्येक क्रमिक पुनरावृत्ति में, एक क्लस्टर को छोटे क्लस्टर में विभाजित किया जाता है, जब तक कि अंततः प्रत्येक ऑब्जेक्ट एक क्लस्टर में न हो, या जब तक समाप्ति की शर्त न हो।
डेंसिटी-बेस्ड मेथड (Density-based Methods)
कुछ पार्टीशनिंग मेथड ऑब्जेक्ट के बीच की दूरी के आधार पर ऑब्जेक्ट को क्लस्टर करते हैं। ऐसे मेथड केवल गोलाकार आकार के क्लस्टर खोज सकते हैं और मनमाने आकार के क्लस्टर खोजने में कठिनाई का सामना करते हैं। अन्य क्लस्टरिंग मेथड डेंसिटी की अवधारणा पर आधारित विकसित किए गए हैं।
DBSCAN एक विशिष्ट डेंसिटी-बेस्ड मेथड है जो डेंसिटी थ्रेशोल्ड के अनुसार क्लस्टर को बढ़ाता है। OPTICS एक डेंसिटी-बेस्ड मेथड है जो स्वचालित और इंटरैक्टिव क्लस्टर विश्लेषण के लिए एक संवर्धित क्लस्टरिंग ऑर्डर का मूल्यांकन करता है।
ग्रिड-बेस्ड मेथड (Grid-based Methods)
ग्रिड-बेस्ड मेथड ऑब्जेक्ट स्पेस को कोशिकाओं की एक परिमित संख्या में क्वांटाइज़ करते हैं जो एक ग्रिड आर्किटेक्चर बनाते हैं। कुछ क्लस्टरिंग ऑपरेशन ग्रिड आर्किटेक्चर पर लागू किए जाते हैं (यानी, क्वांटाइज़्ड स्पेस पर)।
इस दृष्टिकोण का लाभ इसका त्वरित प्रसंस्करण समय है जो आमतौर पर डेटा ऑब्जेक्ट की संख्या से स्वतंत्र होता है, और केवल क्वांटाइज़्ड स्पेस में प्रत्येक आयाम में कोशिकाओं की संख्या पर निर्भर करता है। STING ग्रिड-बेस्ड मेथड का एक उदाहरण है। CLIQUE और वेव-क्लस्टर दो क्लस्टरिंग एल्गोरिदम हैं जो ग्रिड-बेस्ड और डेंसिटी-बेस्ड दोनों हैं।
मॉडल-बेस्ड मेथड (Model-based Methods)
मॉडल-बेस्ड मेथड प्रत्येक क्लस्टर के लिए एक मॉडल की परिकल्पना करते हैं और दिए गए मॉडल के लिए रिकॉर्ड के सर्वोत्तम फिट की खोज करते हैं। एक मॉडल-बेस्ड एल्गोरिदम एक डेंसिटी फंक्शन बनाकर क्लस्टर का पता लगा सकता है जो डेटा पॉइंट के स्थानिक वितरण को दर्शाता है। यह मानक सांख्यिकी के आधार पर क्लस्टर की संख्या को स्वचालित रूप से तय करने की एक विधि की ओर भी ले जाता है, "शोर" या आउटलेयर को ध्यान में रखते हुए और इस प्रकार मजबूत क्लस्टरिंग मेथड प्राप्त करता है।
