ग्राफ-आधारित क्लस्टरिंग के दृष्टिकोण
भौतिक या अमूर्त ऑब्जेक्ट्स के एक समूह को समान ऑब्जेक्ट्स की कक्षाओं में संयोजित करने की प्रक्रिया को क्लस्टरिंग कहा जाता है। एक क्लस्टर डेटा ऑब्जेक्ट्स का एक समूह होता है जो एक ही क्लस्टर के भीतर एक-दूसरे के समान होते हैं और अन्य क्लस्टर्स में ऑब्जेक्ट्स से भिन्न होते हैं। डेटा ऑब्जेक्ट्स के एक क्लस्टर को कई अनुप्रयोगों में सामूहिक रूप से एक समूह माना जा सकता है। क्लस्टर विश्लेषण एक आवश्यक मानवीय गतिविधि है।
क्लस्टरिंग आउटलेयर्स की पहचान करने में सहायता करता है। समान मानों को क्लस्टर्स में व्यवस्थित किया जाता है और वे मान जो क्लस्टर के बाहर आते हैं, आउटलेयर्स के रूप में जाने जाते हैं। क्लस्टरिंग तकनीकें डेटा टुपल्स को ऑब्जेक्ट्स मानती हैं। वे ऑब्जेक्ट्स को समूहों या क्लस्टर्स में विभाजित करती हैं ताकि एक क्लस्टर के भीतर ऑब्जेक्ट्स एक-दूसरे के लिए "समान" हों और अन्य क्लस्टर्स में ऑब्जेक्ट्स के लिए "असमान" हों। यह आमतौर पर इस बात के संदर्भ में परिभाषित किया जाता है कि दूरी फ़ंक्शन के आधार पर ऑब्जेक्ट्स अंतरिक्ष में कितने "करीब" हैं।
ग्राफ-आधारित क्लस्टरिंग के विभिन्न दृष्टिकोण
निकटता ग्राफ को स्पार्सिफाई करें ताकि केवल एक ऑब्जेक्ट के निकटतम पड़ोसियों के लिंक बने रहें। यह स्पार्सिफिकेशन शोर और आउटलेयर्स को प्रबंधित करने के लिए फायदेमंद है। यह स्पार्स ग्राफ के लिए विकसित अत्यधिक प्रभावी ग्राफ पार्टीशनिंग एल्गोरिदम के उपयोग को भी सक्षम बनाता है।
दो ऑब्जेक्ट्स के बीच समानता माप को उन निकटतम पड़ोसियों की संख्या के आधार पर दर्शाएं जो वे साझा करते हैं। यह विधि, जो इस अवलोकन पर निर्भर करती है कि एक ऑब्जेक्ट और उसके निकटतम पड़ोसी आमतौर पर एक ही वर्ग से संबंधित होते हैं, उच्च आयामिता और बदलते घनत्व के क्लस्टर्स के साथ मुद्दों को दूर करने के लिए फायदेमंद है।
कोर ऑब्जेक्ट्स को परिभाषित करें और उनके चारों ओर क्लस्टर्स विकसित करें। ग्राफ-आधारित क्लस्टरिंग में, निकटता ग्राफ या स्पार्सिफाइड निकटता ग्राफ पर आधारित घनत्व की अवधारणा को पेश करना आवश्यक है। DBSCAN के साथ, कोर ऑब्जेक्ट्स के चारों ओर क्लस्टर्स विकसित करने से एक क्लस्टरिंग दृष्टिकोण प्राप्त होता है जो विभिन्न आकार और आकृति के क्लस्टर्स की खोज कर सकता है।
निकटता ग्राफ में डेटा का उपयोग करके यह गणना करने के लिए अधिक परिष्कृत गणना का समर्थन करें कि क्या दो क्लस्टर्स को जोड़ा जाना चाहिए। विशेष रूप से दो क्लस्टर्स को केवल तभी जोड़ा जाता है यदि परिणामी क्लस्टर में मूल दो क्लस्टर्स के समान विशेषताएं होंगी।
निकटता ग्राफ के स्पार्सिफिकेशन पर चर्चा करके शुरू करें, दो तकनीकों के उदाहरणों का समर्थन करें जिनका क्लस्टरिंग दृष्टिकोण इस दृष्टिकोण पर आधारित है जैसे MST जो सिंगल कनेक्शन क्लस्टरिंग एल्गोरिदम के समान है, और Opossum।
एक पदानुक्रमित क्लस्टरिंग एल्गोरिदम जो यह निर्धारित करने के लिए सेल्फ-सिमिलैरिटी की अवधारणा का उपयोग करता है कि क्या क्लस्टर्स को जोड़ा जाना चाहिए। यह शेयर्ड नियरेस्ट नेबर (SNN) समानता, एक नई समानता माप को परिभाषित करता है और Jarvis-Patrick क्लस्टरिंग एल्गोरिदम को सीखता है, जिसे इस समानता की आवश्यकता होती है।
