क्लस्टर विश्लेषण इन रिकॉर्ड्स पर किए गए विभिन्न मापों के आधार पर समान रिकॉर्ड्स के समूह या क्लस्टर्स बनाने के लिए उपयोग किया जाता है। यह उन तरीकों से क्लस्टर्स को परिभाषित कर सकता है जो विश्लेषण के उद्देश्य के लिए उपयोगी हो सकते हैं। इस डेटा का उपयोग खगोल विज्ञान, पुरातत्व, चिकित्सा, रसायन विज्ञान, शिक्षा, मनोविज्ञान, भाषा विज्ञान, और समाजशास्त्र जैसे कई क्षेत्रों में किया गया है।
कई प्रकार के क्लस्टर्स हैं जो निम्नलिखित हैं:
अच्छी तरह से अलग - एक क्लस्टर ऑब्जेक्ट्स का एक समूह है जिसमें प्रत्येक तत्व क्लस्टर में हर दूसरे तत्व की तुलना में क्लस्टर में नहीं होने वाली किसी वस्तु से अधिक निकट है। कभी-कभी एक थ्रेशोल्ड परिभाषित कर सकता है कि क्लस्टर में सभी ऑब्जेक्ट्स एक-दूसरे के पर्याप्त निकट (या समान) होने चाहिए। क्लस्टर का यह विवरण केवल तब आवश्यक होता है जब डेटा में प्राकृतिक क्लस्टर्स शामिल होते हैं जो एक-दूसरे से पूरी तरह से दूर होते हैं।
प्रोटोटाइप-आधारित - एक क्लस्टर ऑब्जेक्ट्स का एक समूह है जिसमें प्रत्येक ऑब्जेक्ट उस प्रोटोटाइप के निकट है जो क्लस्टर का प्रतिनिधित्व करता है, बजाय किसी अन्य क्लस्टर के प्रोटोटाइप के। निरंतर विशेषताओं वाले डेटा के लिए, एक क्लस्टर का प्रोटोटाइप एक सेंट्रॉयड है जैसे क्लस्टर में विभिन्न बिंदुओं का औसत (माध्य)। जब सेंट्रॉयड असंबंधित है, जिसमें रिकॉर्ड में श्रेणीबद्ध विशेषताएं शामिल हैं, तो प्रोटोटाइप एक मेडॉयड है जैसे क्लस्टर का प्रतिनिधि बिंदु।
ग्राफ-आधारित - यदि डेटा को ग्राफ के रूप में दर्शाया जाता है, जहां नोड्स ऑब्जेक्ट्स हैं और लिंक्स ऑब्जेक्ट्स के बीच कनेक्शन को परिभाषित करते हैं तो एक क्लस्टर को एक जुड़े हुए घटक के रूप में दर्शाया जा सकता है; यानी, ऑब्जेक्ट्स का एक सेट जो एक-दूसरे से जुड़े हुए हैं, लेकिन जिनका समूह से बाहर के ऑब्जेक्ट्स से कोई संबंध नहीं है।
ग्राफ-आधारित क्लस्टर्स के महत्वपूर्ण उदाहरण सन्निकटता-आधारित क्लस्टर्स हैं, जहां दो ऑब्जेक्ट्स केवल तभी जुड़े होते हैं जब वे एक-दूसरे की एक निर्दिष्ट दूरी के भीतर होते हैं। इसका तात्पर्य है कि सन्निकटता-आधारित क्लस्टर में प्रत्येक ऑब्जेक्ट क्लस्टर में कई ऑब्जेक्ट्स के निकट है बजाय किसी अन्य क्लस्टर में किसी बिंदु के।
घनत्व-आधारित विधियाँ - कुछ पार्टीशनिंग तकनीकें ऑब्जेक्ट्स के बीच दूरी के आधार पर ऑब्जेक्ट्स को क्लस्टर करती हैं। ऐसे दृष्टिकोण केवल गोलाकार आकार के क्लस्टर्स खोज सकते हैं और मनमाने आकार के क्लस्टर्स खोजने में कठिनाई का सामना करते हैं। घनत्व की अवधारणा पर आधारित कई क्लस्टरिंग विधियाँ विकसित की गई हैं।
DBSCAN एक लगातार घनत्व-आधारित विधि है जो घनत्व थ्रेशोल्ड के अनुसार क्लस्टर्स बढ़ाती है। OPTICS एक घनत्व-आधारित विधि है जो स्वचालित और पारस्परिक क्लस्टर विश्लेषण के लिए एक विस्तारित क्लस्टरिंग ऑर्डरिंग की गणना करती है।
ग्रिड-आधारित विधियाँ - ग्रिड-आधारित विधियाँ ऑब्जेक्ट क्षेत्र को परिमित कई सेल्स में क्वांटाइज़ करती हैं जो एक ग्रिड संरचना बनाते हैं। कई क्लस्टरिंग सेवाएं ग्रिड संरचना पर लागू की जाती हैं (यानी, क्वांटाइज़्ड स्पेस पर)।
इस दृष्टिकोण का लाभ इसका तेज़ प्रसंस्करण समय है जो अक्सर कई डेटा ऑब्जेक्ट्स से स्वतंत्र होता है और केवल क्वांटाइज़्ड स्पेस में प्रत्येक आयाम में कई सेल्स पर आधारित होता है।
