प्रोटोटाइप-आधारित क्लस्टरिंग का परिचय
प्रोटोटाइप-आधारित क्लस्टरिंग में, एक क्लस्टर ऑब्जेक्ट्स का एक समूह होता है जिसमें प्रत्येक ऑब्जेक्ट उस प्रोटोटाइप के अधिक निकट होता है जो क्लस्टर को दर्शाता है, बजाय किसी अन्य क्लस्टर के प्रोटोटाइप के। एक सरल प्रोटोटाइप-आधारित क्लस्टरिंग एल्गोरिदम क्लस्टर में तत्वों के सेंट्रॉयड (केंद्रक) को क्लस्टर के प्रोटोटाइप के रूप में उपयोग करता है।
प्रोटोटाइप-आधारित क्लस्टरिंग के विभिन्न दृष्टिकोण
फजी क्लस्टरिंग (Fuzzy Clustering): ऑब्जेक्ट्स को एक से अधिक क्लस्टर से संबंधित होने की अनुमति होती है। प्रत्येक ऑब्जेक्ट किसी क्लस्टर से एक निश्चित वजन (weight) के साथ जुड़ा होता है। यह दृष्टिकोण इस तथ्य को संबोधित करता है कि कुछ ऑब्जेक्ट्स कई क्लस्टर प्रोटोटाइप्स के समान रूप से निकट होते हैं।
सांख्यिकीय वितरण मॉडलिंग (Statistical Distribution Modeling): एक क्लस्टर को एक सांख्यिकीय वितरण के रूप में मॉडल किया जाता है, यानी ऑब्जेक्ट्स एक सांख्यिकीय वितरण से एक रैंडम प्रक्रिया द्वारा उत्पन्न होते हैं जिसे कई सांख्यिकीय पैरामीटर्स (माध्य और विचरण सहित) द्वारा वर्णित किया जाता है। यह दृष्टिकोण प्रोटोटाइप की अवधारणा को सामान्यीकृत करता है और सुप्रसिद्ध सांख्यिकीय विधियों के उपयोग की अनुमति देता है।
क्लस्टर संबंधों पर प्रतिबंध (Constrained Cluster Relationships): क्लस्टर्स को स्थिर संबंध रखने के लिए बाध्य किया जाता है। ये संबंध पड़ोस संबंधों को परिभाषित करने वाले प्रतिबंध हैं, जैसे कि दो क्लस्टर एक-दूसरे के पड़ोसी किस हद तक हैं। क्लस्टर्स के बीच संबंधों को बाध्य करने से डेटा के निष्पादन और विज़ुअलाइज़ेशन को परिभाषित किया जा सकता है।
फजी C-Means और मिक्सचर मॉडल क्लस्टरिंग
फजी C-Means फजी लॉजिक और फजी सेट थ्योरी की अवधारणाओं का उपयोग करके एक क्लस्टरिंग डिज़ाइन प्रस्तावित करता है, जो K-Means जैसा है, लेकिन जिसमें किसी पॉइंट को केवल एक क्लस्टर को हार्ड असाइनमेंट की आवश्यकता नहीं होती।
मिक्सचर मॉडल क्लस्टरिंग यह दृष्टिकोण अपनाता है कि क्लस्टर्स के एक समूह को वितरणों के संयोजन के रूप में मॉडल किया जा सकता है, प्रत्येक क्लस्टर के लिए एक। क्लस्टरिंग योजना जो सेल्फ-ऑर्गनाइज़िंग मैप्स (SOM) पर निर्भर करती है, एक ऐसी संरचना के भीतर क्लस्टरिंग को लागू करती है जिसमें क्लस्टर्स को एक-दूसरे से पूर्व-निर्दिष्ट संबंध रखने की आवश्यकता होती है, जिसमें दो-आयामी ग्रिड संरचना शामिल है।
फजी क्लस्टरिंग की आवश्यकता
यदि डेटा ऑब्जेक्ट्स अच्छी तरह से अलग-अलग समूहों में वितरित हैं, तो ऑब्जेक्ट्स को असंयुक्त क्लस्टर्स में विभाजित करना एक आदर्श विधि प्रतीत होती है। लेकिन कुछ मामलों में, डेटासेट में ऑब्जेक्ट्स को अच्छी तरह से अलग-अलग क्लस्टर्स में विभाजित नहीं किया जा सकता, और किसी ऑब्जेक्ट को किसी विशेष क्लस्टर को असाइन करने में एक निश्चित मनमाना तत्व होगा।
एक ऐसे ऑब्जेक्ट पर विचार करें जो दो क्लस्टर्स की सीमा के निकट स्थित है, लेकिन उनमें से एक के अधिक निकट है। कुछ मामलों में, प्रत्येक ऑब्जेक्ट और प्रत्येक क्लस्टर को एक वजन असाइन करना अधिक उपयुक्त हो सकता है जो उस डिग्री को दर्शाता है जिससे ऑब्जेक्ट क्लस्टर से संबंधित है।
संभाव्य विधियां भी ऐसे वजन प्रदान कर सकती हैं। जबकि संभाव्य विधियां कई स्थितियों में लाभकारी हैं, ऐसे समय होते हैं जब एक उपयुक्त सांख्यिकीय मॉडल तय करना कठिन होता है। सामान्य मामलों में, गैर-संभाव्य क्लस्टरिंग विधियों की आवश्यकता होती है जो समान क्षमताएं प्रदान करें।
