प्रोटोटाइप-आधारित क्लस्टरिंग में, क्लस्टर ऑब्जेक्ट्स का एक समूह होता है जिसमें कुछ ऑब्जेक्ट प्रोटोटाइप के करीब होता है जो किसी अन्य क्लस्टर के प्रोटोटाइप की तुलना में क्लस्टर का प्रतिनिधित्व करता है। एक सरल प्रोटोटाइप-आधारित क्लस्टरिंग एल्गोरिदम जिसे क्लस्टर के प्रोटोटाइप के रूप में क्लस्टर में तत्वों के केंद्रक की आवश्यकता होती है।
प्रोटोटाइप-आधारित क्लस्टरिंग के विभिन्न दृष्टिकोण हैं जो इस प्रकार हैं -
-
ऑब्जेक्ट एक से अधिक क्लस्टर से संबंधित होने के लिए सक्षम हैं। इसके अलावा, एक वस्तु कुछ वजन के साथ प्रत्येक क्लस्टर से संबंधित होती है। इस तरह की विधि इस तथ्य को संबोधित करती है कि कुछ ऑब्जेक्ट समान रूप से कई क्लस्टर प्रोटोटाइप के करीब हैं।
-
एक क्लस्टर को एक सांख्यिकीय वितरण के रूप में तैयार किया जाता है, अर्थात, वस्तुओं को एक सांख्यिकीय वितरण से एक यादृच्छिक चरण द्वारा उत्पादित किया जाता है जो कि कई सांख्यिकीय मापदंडों द्वारा विशेषता है, जिसमें माध्य और विचरण शामिल हैं। यह दृष्टिकोण एक प्रोटोटाइप की अवधारणा को सामान्य करता है और अच्छी तरह से स्थापित सांख्यिकीय दृष्टिकोण की आवश्यकता की अनुमति देता है।
-
क्लस्टर निरंतर जुड़ाव के लिए विवश हैं। ये संबंध बाधाएं हैं जो पड़ोस के संबंधों को परिभाषित करती हैं जैसे कि दो क्लस्टर एक दूसरे के पड़ोसी हैं। क्लस्टर के बीच संबंधों को सीमित करना डेटा के निष्पादन और विज़ुअलाइज़ेशन को परिभाषित कर सकता है।
फ़ज़ी सी-मीन्स फ़ज़ी लॉजिक के क्षेत्र से अवधारणाओं का उपयोग करता है और फ़ज़ी सेट थ्योरी का उपयोग क्लस्टरिंग डिज़ाइनों को प्रस्तावित करने के लिए करता है, जो कि के-मीन्स की तरह है, लेकिन जिसे केवल एक क्लस्टर के लिए एक बिंदु के कठिन असाइनमेंट की आवश्यकता नहीं है।
मिश्रण मॉडल क्लस्टरिंग इस पद्धति को अपनाती है कि समूहों के समूह को वितरण के संयोजन के रूप में तैयार किया जा सकता है, प्रत्येक क्लस्टर के लिए एक। क्लस्टरिंग योजना सेल्फ-ऑर्गनाइज़िंग मैप्स (एसओएम) पर निर्भर करती है, एक संरचना के भीतर क्लस्टरिंग को लागू करती है, जिसमें दो-आयामी ग्रिड संरचना सहित एक दूसरे के लिए पूर्व-निर्दिष्ट संघों के लिए क्लस्टर की आवश्यकता होती है।
फ़ज़ी क्लस्टरिंग -यदि डेटा ऑब्जेक्ट अच्छी तरह से स्वतंत्र सेटों में वितरित किए जाते हैं, तो वस्तुओं का एक स्पष्ट विवरण अलग-अलग समूहों में एक आदर्श विधि की तरह लगता है। लेकिन कुछ मामलों में, डेटा सेट में वस्तुओं को अच्छी तरह से स्वतंत्र समूहों में विभाजित नहीं किया जा सकता है, और किसी विशिष्ट क्लस्टर को ऑब्जेक्ट असाइन करने में एक विशिष्ट मनमानी होगी।
एक वस्तु पर विचार करें जो दो समूहों की सीमा के करीब है, लेकिन उनमें से एक के करीब है। कुछ मामलों में, प्रत्येक वस्तु और प्रत्येक क्लस्टर को भार निर्दिष्ट करना अधिक उपयुक्त हो सकता है जो उस डिग्री को दर्शाता है जिस तक वस्तु क्लस्टर से आगे है।
संभाव्य तरीके भी ऐसे वजन का समर्थन कर सकते हैं। जबकि संभाव्य तरीके कई स्थितियों में फायदेमंद होते हैं, ऐसे समय होते हैं जब एक उपयुक्त सांख्यिकीय मॉडल तय करना जटिल होता है। सामान्य मामलों में, समान क्षमताएं प्रदान करने के लिए गैर-संभाव्य क्लस्टरिंग विधियों की आवश्यकता होती है।