डेटा माइनिंग में क्लस्टरिंग की आवश्यकताएं क्या हैं?

डेटा माइनिंग में क्लस्टरिंग की निम्नलिखित आवश्यकताएं हैं:

स्केलेबिलिटी (Scalability)

कुछ क्लस्टरिंग एल्गोरिदम कुछ सौ डेटा ऑब्जेक्ट वाले छोटे डेटा सेट पर अच्छा काम करते हैं। एक विशाल डेटाबेस में लाखों ऑब्जेक्ट शामिल हो सकते हैं। दिए गए विशाल डेटा सेट के नमूने पर क्लस्टरिंग से पक्षपाती परिणाम हो सकते हैं। अत्यधिक स्केलेबल क्लस्टरिंग एल्गोरिदम आवश्यक हैं।

विभिन्न प्रकार के एट्रिब्यूट से निपटने की क्षमता (Ability to deal with different types of attributes)

कुछ एल्गोरिदम अंतराल-आधारित (संख्यात्मक) जानकारी को क्लस्टर करने के लिए डिज़ाइन किए गए हैं। हालांकि, एप्लिकेशन को बाइनरी, कैटेगोरिकल (नाममात्र), और क्रमिक डेटा, या इन डेटा प्रकारों के संयोजन सहित कई प्रकार के डेटा को क्लस्टर करने की आवश्यकता हो सकती है।

मनमाने आकार के क्लस्टर की खोज (Discovery of clusters with arbitrary shape)

कुछ क्लस्टरिंग एल्गोरिदम यूक्लिडियन या मैनहट्टन दूरी माप के आधार पर क्लस्टर निर्धारित करते हैं। ऐसे दूरी माप पर निर्भर एल्गोरिदम समान आकार और घनत्व के गोलाकार क्लस्टर खोजने की प्रवृत्ति रखते हैं। लेकिन, एक क्लस्टर किसी भी आकार का हो सकता है। मनमाने आकार के क्लस्टर को पहचानने वाले एल्गोरिदम विकसित करना आवश्यक है।

इनपुट पैरामीटर निर्धारित करने के लिए डोमेन ज्ञान की न्यूनतम आवश्यकताएं (Minimal requirements for domain knowledge to determine input parameters)

कुछ क्लस्टरिंग एल्गोरिदम उपयोगकर्ताओं को क्लस्टर विश्लेषण में विशिष्ट पैरामीटर इनपुट करने की आवश्यकता होती है (वांछित क्लस्टर की संख्या सहित)। क्लस्टरिंग परिणाम इनपुट पैरामीटर के प्रति बिल्कुल संवेदनशील हो सकते हैं। पैरामीटर तय करना मुश्किल है, विशेष रूप से उच्च-आयामी ऑब्जेक्ट वाले डेटा सेट के लिए। यह न केवल उपयोगकर्ताओं को कार्य देता है, बल्कि यह क्लस्टरिंग की गुणवत्ता को नियंत्रित करना भी मुश्किल बनाता है।

शोर वाले डेटा से निपटने की क्षमता (Ability to deal with noisy data)

अधिकांश वास्तविक-विश्व डेटाबेस में आउटलेयर या लापता, अज्ञात, या गलत जानकारी शामिल होती है। कुछ क्लस्टरिंग एल्गोरिदम ऐसे डेटा के प्रति उत्सुक होते हैं और खराब गुणवत्ता वाले क्लस्टर का कारण बन सकते हैं।

वृद्धिशील क्लस्टरिंग और इनपुट रिकॉर्ड के क्रम के प्रति असंवेदनशीलता (Incremental clustering and insensitivity to the order of input records)

कुछ क्लस्टरिंग एल्गोरिदम नई सम्मिलित जानकारी (यानी, डेटाबेस अपडेट) को वर्तमान क्लस्टरिंग संरचनाओं में शामिल नहीं कर सकते और, इसके बजाय, खरोंच से एक नया क्लस्टरिंग तय करना चाहिए।

कुछ क्लस्टरिंग एल्गोरिदम इनपुट रिकॉर्ड के क्रम के प्रति संवेदनशील हैं। डेटा ऑब्जेक्ट के एक सेट को देखते हुए, एल्गोरिदम इनपुट ऑब्जेक्ट की प्रस्तुति के क्रम के आधार पर नाटकीय रूप से अलग क्लस्टरिंग लौटा सकता है। वृद्धिशील क्लस्टरिंग एल्गोरिदम और एल्गोरिदम विकसित करना आवश्यक है जो इनपुट के क्रम के प्रति असंवेदनशील हों।

उच्च आयामता (High dimensionality)

एक डेटाबेस या डेटा वेयरहाउस में कई आयाम या एट्रिब्यूट शामिल हो सकते हैं। कुछ क्लस्टरिंग एल्गोरिदम कम-आयामी डेटा को प्रबंधित करने में अच्छे हैं, जिसमें केवल दो से तीन आयाम होते हैं। मानव आंखें तीन आयामों तक क्लस्टरिंग की गुणवत्ता निर्धारित करने में सर्वश्रेष्ठ हैं। उच्च-आयामी स्थान में डेटा ऑब्जेक्ट के क्लस्टर ढूंढना जटिल है, विशेष रूप से यह देखते हुए कि ऐसा डेटा अपर्याप्त और अत्यधिक विषम हो सकता है।