वेवक्लस्टर (WaveCluster) एक मल्टी-रिज़ॉल्यूशन क्लस्टरिंग एल्गोरिदम है जो पहले डेटा स्पेस पर एक बहुआयामी ग्रिड आर्किटेक्चर लागू करके रिकॉर्ड्स को सारांशित करता है। यह मूल फीचर स्पेस को बदलने के लिए वेवलेट ट्रांसफॉर्मेशन का उपयोग कर सकता है, जिससे ट्रांसफॉर्म्ड स्पेस में घने डोमेन (dense domains) का पता लगाया जा सके।
वेवक्लस्टर में ग्रिड सेल सारांश
इस विधि में, प्रत्येक ग्रिड सेल उन बिंदुओं के समूह के डेटा को सारांशित करता है जो सेल में मैप होते हैं। यह सारांश डेटा आमतौर पर मल्टी-रिज़ॉल्यूशन वेवलेट ट्रांसफॉर्म और बाद के क्लस्टर विश्लेषण के उपयोग के लिए मुख्य मेमोरी में फिट होता है।
वेवलेट ट्रांसफॉर्म का सिद्धांत
वेवलेट ट्रांसफॉर्म एक सिग्नल प्रोसेसिंग दृष्टिकोण है जो एक सिग्नल को कई फ्रीक्वेंसी सब-बैंड में विघटित करता है। वेवलेट मॉडल को एक-आयामी वेवलेट ट्रांसफॉर्म को d बार लागू करके d-आयामी सिग्नल के लिए उपयोग किया जा सकता है। वेवलेट ट्रांसफॉर्म लागू करने में, डेटा को कई रिज़ॉल्यूशन स्तरों पर वस्तुओं के बीच सापेक्ष दूरी को संरक्षित करने के लिए बदला जाता है। यह डेटा में प्राकृतिक क्लस्टर्स को अधिक पहचानने योग्य बनाता है। नए डोमेन में घने क्षेत्रों की खोज करके क्लस्टर्स को पहचाना जा सकता है।
वेवलेट ट्रांसफॉर्मेशन के लाभ
अनसुपरवाइज़्ड क्लस्टरिंग प्रदान करता है - यह हैट-शेप्ड फिल्टर्स का उपयोग करता है जो उन क्षेत्रों पर जोर देते हैं जहां पॉइंट्स क्लस्टर होते हैं, जबकि क्लस्टर सीमाओं के बाहर के कमजोर डेटा को दबा देते हैं। इसलिए, प्रारंभिक फीचर स्पेस में घने क्षेत्र आसन्न बिंदुओं के लिए अट्रैक्टर और दूर के बिंदुओं के लिए इनहिबिटर के रूप में कार्य करते हैं। इसका अर्थ है कि डेटा में क्लस्टर्स स्वचालित रूप से सामने आते हैं और उनके आसपास के क्षेत्रों को "क्लियर" करते हैं। एक अन्य लाभ यह है कि वेवलेट ट्रांसफॉर्मेशन स्वचालित रूप से आउटलेयर्स के उन्मूलन का परिणाम दे सकता है।
वेवलेट ट्रांसफॉर्मेशन की मल्टी-रिज़ॉल्यूशन विशेषताएं कई सटीकता स्तरों पर क्लस्टर्स का पता लगाने में सहायता कर सकती हैं।
वेवलेट-आधारित क्लस्टरिंग बहुत तेज़ है, जिसकी कम्प्यूटेशनल जटिलता O(n) है, जहां n डेटाबेस में वस्तुओं की संख्या है। एल्गोरिदम कार्यान्वयन समानांतर बनाया जा सकता है।
वेवक्लस्टर एक ग्रिड-आधारित और डेंसिटी-आधारित एल्गोरिदम है - यह एक अच्छे क्लस्टरिंग एल्गोरिदम की कई आवश्यकताओं के अनुरूप है - यह बड़े डेटा सेट को कुशलतापूर्वक प्रबंधित करता है, मनमाने आकार के क्लस्टर्स ढूंढता है, आउटलेयर्स को सफलतापूर्वक संभालता है, इनपुट के क्रम के प्रति असंवेदनशील है, और क्लस्टर्स की संख्या या पड़ोस त्रिज्या जैसे इनपुट पैरामीटर्स की परिभाषा की आवश्यकता नहीं होती है।
प्रारंभिक अध्ययनों में, वेवक्लस्टर को BIRCH, CLARANS, और DBSCAN की तुलना में दक्षता और क्लस्टरिंग गुणवत्ता दोनों के मामले में बेहतर पाया गया। अध्ययन में यह भी पाया गया कि वेवक्लस्टर 20 आयामों तक के डेटा को संभालने में सक्षम है।
