डेटा विशेषताएं क्या हैं?

क्लस्टर विश्लेषण को प्रभावित करने वाली डेटा विशेषताएं

निम्नलिखित डेटा की कुछ विशेषताएं हैं जो क्लस्टर विश्लेषण को दृढ़ता से प्रभावित कर सकती हैं:

1. उच्च आयामिता (High Dimensionality)

उच्च-आयामी डेटासेट्स में, घनत्व की पारंपरिक यूक्लिडियन अवधारणा (इकाई आयतन प्रति पॉइंट्स की संख्या) महत्वहीन हो जाती है। माना जाता है कि जैसे-जैसे आयाम बढ़ते हैं, आयतन तेजी से बढ़ता है, और जब तक पॉइंट्स की संख्या आयामों के साथ घातीय रूप से न बढ़े, घनत्व 0 की ओर प्रवृत्त होता है।

उच्च-आयामी स्थानों में निकटता भी अधिक समान हो जाती है। इसे देखने का एक और तरीका यह है कि दो पॉइंट्स के बीच निकटता में योगदान देने वाले अधिक आयाम (विशेषताएं) होते हैं और यह निकटता को अधिक समान बनाने की प्रवृत्ति रखता है।

चूंकि अधिकांश क्लस्टरिंग तकनीकें निकटता या घनत्व पर निर्भर करती हैं, उन्हें उच्च-आयामी जानकारी के साथ कठिनाई हो सकती है। ऐसे मुद्दों को संबोधित करने का एक तरीका डायमेंशनलिटी रिडक्शन विधियों को नियोजित करना है।

2. आकार (Size)

कुछ क्लस्टरिंग एल्गोरिदम जो छोटे या मध्यम आकार के डेटासेट्स के लिए अच्छा काम करते हैं, बड़े डेटासेट्स को संभालने में असमर्थ होते हैं।

3. विरलता (Sparseness)

विरल डेटा में विषम विशेषताएं होती हैं, जहां शून्य मान गैर-शून्य मानों जितने महत्वपूर्ण नहीं होते। इसलिए, विषम विशेषताओं के लिए उपयुक्त समानता माप आमतौर पर उपयोग किए जाते हैं।

4. शोर और आउटलेयर्स (Noise and Outliers)

एक सामान्य पॉइंट (आउटलेयर) क्लस्टरिंग एल्गोरिदम के कार्यान्वयन को गंभीर रूप से खराब कर सकता है, विशेष रूप से K-Means जैसे प्रोटोटाइप-आधारित एल्गोरिदम। दूसरे शब्दों में, शोर सिंगल लिंक जैसी तकनीकों को उन क्लस्टर्स को जोड़ने का कारण बन सकता है जिन्हें संयोजित नहीं किया जाना चाहिए।

सामान्य मामलों में, क्लस्टरिंग एल्गोरिदम लागू करने से पहले शोर और आउटलेयर्स को खत्म करने के लिए एल्गोरिदम का उपयोग किया जाता है। इसके अलावा, कुछ एल्गोरिदम क्लस्टरिंग चरण के दौरान उन पॉइंट्स की पहचान कर सकते हैं जो शोर और आउटलेयर्स को परिभाषित करते हैं और फिर उन्हें हटा देते हैं या अन्यथा उनके नकारात्मक प्रभावों को दूर करते हैं।

5. विशेषताओं और डेटासेट का प्रकार (Type of Attributes and Data Set)

डेटासेट कई प्रकार के हो सकते हैं, जिनमें संरचित, ग्राफ, या क्रमबद्ध शामिल हैं, जबकि विशेषताएं श्रेणीबद्ध (नाममात्र या क्रमिक) या मात्रात्मक (अंतराल या अनुपात) हो सकती हैं, और द्विआधारी, असतत, या सतत हो सकती हैं।

विभिन्न प्रकार के डेटा के लिए कई निकटता और घनत्व माप उपयुक्त हैं। कई स्थितियों में, डेटा को डिस्क्रेटाइज़ या बाइनराइज़ करने की आवश्यकता हो सकती है ताकि वांछित निकटता माप या क्लस्टरिंग एल्गोरिदम का उपयोग किया जा सके।

एक और कठिनाई तब उत्पन्न होती है जब विशेषताएं व्यापक रूप से कई प्रकार की होती हैं, जैसे सतत और नाममात्र। इस पद्धति में, निकटता और घनत्व को परिभाषित करना और प्रदान करना अधिक जटिल और तदर्थ हो जाता है। अंत में, विशिष्ट डेटा संरचनाओं और एल्गोरिदम की आवश्यकता हो सकती है ताकि कुछ प्रकार के डेटा को कुशलतापूर्वक प्रबंधित किया जा सके।

6. स्केल (Scale)

ऊंचाई और वजन जैसी कई विशेषताओं को विभिन्न पैमानों पर मापा जा सकता है। ये अंतर दो ऑब्जेक्ट्स के बीच दूरी या समानता को दृढ़ता से प्रभावित कर सकते हैं और परिणामस्वरूप क्लस्टर विश्लेषण के परिणाम को प्रभावित कर सकते हैं। उन लोगों के समूह को क्लस्टर करने पर विचार करें जिनकी ऊंचाई मीटर में मापी जाती है, और वजन किलोग्राम में।