सेमी-सुपरवाइज्ड क्लस्टरिंग एक विधि है जो डोमेन ज्ञान का उपयोग करके अनलेबल्ड डेटा को पार्टीशन करती है। इसे आमतौर पर इंस्टेंसेस के बीच जोड़ीदार बाधाओं के रूप में या केवल लेबल्ड इंस्टेंसेस के एक अतिरिक्त सेट के रूप में व्यक्त किया जाता है।
अनसुपरवाइज्ड क्लस्टरिंग की गुणवत्ता को सुपरविजन के कुछ कमजोर रूप का उपयोग करके काफी हद तक सुधारा जा सकता है, उदाहरण के लिए, जोड़ीदार बाधाओं के रूप में (यानी, समान या अलग क्लस्टर से संबंधित के रूप में लेबल किए गए ऑब्जेक्ट्स के जोड़े)। ऐसी क्लस्टरिंग प्रक्रिया जो उपयोगकर्ता फीडबैक या मार्गदर्शन बाधाओं पर निर्भर करती है, उसे सेमी-सुपरवाइज्ड क्लस्टरिंग के रूप में जाना जाता है।
सेमी-सुपरवाइज्ड क्लस्टरिंग के कई तरीके हैं जिन्हें दो वर्गों में विभाजित किया जा सकता है:
बाधा-आधारित सेमी-सुपरवाइज्ड क्लस्टरिंग - इसका उपयोग उपयोगकर्ता-प्रदान किए गए लेबल या बाधाओं के आधार पर एल्गोरिदम को अधिक उपयुक्त डेटा पार्टीशनिंग की ओर ले जाने के लिए किया जा सकता है। इसमें बाधाओं के आधार पर उद्देश्य फ़ंक्शन को संशोधित करना या लेबल्ड ऑब्जेक्ट्स के आधार पर क्लस्टरिंग प्रक्रिया को आरंभ करना और बाधित करना शामिल है।
दूरी-आधारित सेमी-सुपरवाइज्ड क्लस्टरिंग - इसका उपयोग एक अनुकूली दूरी माप को नियोजित करने के लिए किया जा सकता है जिसे सुपरवाइज्ड डेटा में लेबल या बाधाओं को पूरा करने के लिए प्रशिक्षित किया जाता है। कई अनुकूली दूरी मापों का उपयोग किया गया है, जिसमें एक्सपेक्टेशन-मैक्सिमाइज़ेशन (EM) का उपयोग करके प्रशिक्षित स्ट्रिंग-एडिट दूरी, और सबसे छोटी दूरी एल्गोरिदम द्वारा बदली गई यूक्लिडियन दूरी शामिल है।
एक दिलचस्प क्लस्टरिंग विधि, जिसे CLTree (निर्णय TREEs पर आधारित क्लस्टरिंग) के नाम से जाना जाता है। यह अनसुपरवाइज्ड क्लस्टरिंग को सुपरवाइज्ड वर्गीकरण की अवधारणा के साथ एकीकृत करता है। यह बाधा-आधारित सेमी-सुपरवाइज्ड क्लस्टरिंग का एक उदाहरण है। यह क्लस्टर किए जाने वाले बिंदुओं के सेट को एक वर्ग से संबंधित मानकर, जिसे "Y" लेबल किया गया है, और अपेक्षाकृत समान रूप से वितरित, "अस्तित्वहीन बिंदुओं" के एक सेट को दूसरे वर्ग लेबल, "N" के साथ डालकर, क्लस्टरिंग कार्य को वर्गीकरण कार्य में बदल देता है।
डेटा क्षेत्र को डेटा (घने) क्षेत्रों और खाली (विरल) क्षेत्रों में विभाजित करने की समस्या को तब वर्गीकरण समस्या में बदला जा सकता है। इन बिंदुओं को "Y" बिंदुओं के एक सेट के रूप में माना जा सकता है। यह "o" बिंदुओं द्वारा परिभाषित समान रूप से वितरित "N" बिंदुओं के संग्रह के अतिरिक्त को दर्शाता है।
मूल क्लस्टरिंग समस्या इस प्रकार एक वर्गीकरण समस्या में बदल जाती है, जो एक डिज़ाइन का समाधान करती है जो "Y" और "N" बिंदुओं को अलग करती है। दो-आयामी स्थान को विभाजित करने के लिए एक निर्णय ट्री इंडक्शन विधि का उपयोग किया जा सकता है। दो क्लस्टर्स की पहचान की जाती है, जो केवल "Y" बिंदुओं से हैं।
मूल डेटा में बड़ी संख्या में "N" बिंदुओं को जोड़ने से गणना में अनावश्यक ओवरहेड आ सकता है। इसके अलावा, यह संभावना नहीं है कि कुछ जोड़े गए बिंदु वास्तव में बहुत उच्च-आयामी स्थान में समान रूप से वितरित होंगे क्योंकि इसके लिए बिंदुओं की घातीय संख्या की आवश्यकता होगी।
