मॉडल-आधारित क्लस्टरिंग डेटा क्लस्टरिंग के लिए एक सांख्यिकीय दृष्टिकोण है। अवलोकित (बहुचर) डेटा को घटक मॉडल के एक परिमित संयोजन से उत्पन्न माना जाता है। प्रत्येक घटक मॉडल एक संभाव्यता वितरण है, आमतौर पर एक पैरामीट्रिक बहुचर वितरण।
उदाहरण
उदाहरण के लिए, एक बहुचर गाऊसी मिश्रण मॉडल में, प्रत्येक घटक एक बहुचर गाऊसी वितरण होता है। एक विशेष अवलोकन उत्पन्न करने के लिए जिम्मेदार घटक उस क्लस्टर को निर्धारित करता है जिससे अवलोकन संबंधित है।
मॉडल-आधारित क्लस्टरिंग दिए गए डेटा और कुछ गणितीय मॉडल के बीच फिट को बेहतर बनाने का एक प्रयास है और इस धारणा पर आधारित है कि डेटा एक बुनियादी संभाव्यता वितरण के संयोजन द्वारा उत्पन्न होते हैं।
मॉडल-आधारित क्लस्टरिंग के प्रकार
सांख्यिकीय दृष्टिकोण
एक्सपेक्टेशन मैक्सिमाइजेशन एक लोकप्रिय पुनरावृत्त परिशोधन एल्गोरिदम है। के-मीन्स का एक विस्तार:
- यह प्रत्येक वस्तु को वजन (संभाव्यता वितरण) के अनुसार एक क्लस्टर में असाइन कर सकता है।
- वजन माप के आधार पर नए माध्य की गणना की जाती है।
मूल विचार इस प्रकार है:
- पैरामीटर वेक्टर के प्रारंभिक अनुमान से शुरू करें।
- पैरामीटर वेक्टर द्वारा बनाए गए मिश्रण घनत्व के विरुद्ध डिजाइनों को पुनरावृत्त रूप से पुनः स्कोर करने के लिए उपयोग किया जाता है।
- पुनः स्कोर किए गए पैटर्न का उपयोग पैरामीटर अनुमानों को अद्यतन करने के लिए किया जाता है।
- यदि उनके स्कोर किसी विशेष घटक में रखे गए हैं तो पैटर्न को उसी क्लस्टर से संबंधित माना जा सकता है।
एल्गोरिदम
- प्रारंभ में, k क्लस्टर केंद्रों को यादृच्छिक रूप से असाइन करें।
- दो चरणों के आधार पर क्लस्टर्स को पुनरावृत्त रूप से परिष्कृत करें:
एक्सपेक्टेशन चरण (Expectation Step) - प्रत्येक डेटा बिंदु Xi को क्लस्टर Ck में निम्न संभावना के साथ असाइन करता है:
$$\mathrm{P(X_{i}\in\:C_{k})\:=\:P(C_k\arrowvert\:X_i)\:=\:\frac{P(C_k)P(X_i\arrowvert\:C_k)}{P(X_i)}}$$
मैक्सिमाइजेशन चरण (Maximization Step) - मॉडल पैरामीटर का अनुमान लगाने के लिए उपयोग किया जाता है:
$$\mathrm{m_k\:=\:\frac{1}{N}\displaystyle\sum\limits_{i=1}^N \frac{X_{i}P(X_i\:\in\:C_k)}{X_{j}P(X_i)\in\:C_j}}$$
मशीन लर्निंग दृष्टिकोण
मशीन लर्निंग एक ऐसा दृष्टिकोण है जो बड़े डेटा प्रोसेसिंग के लिए जटिल एल्गोरिदम बनाता है और अपने उपयोगकर्ताओं को परिणाम प्रदान करता है। यह जटिल प्रोग्राम का उपयोग करता है जो अनुभव से सीख सकता है और भविष्यवाणियां कर सकता है।
एल्गोरिदम प्रशिक्षण जानकारी के लगातार इनपुट द्वारा स्वयं में सुधार करते हैं। मशीन लर्निंग का मुख्य उद्देश्य डेटा सीखना और डेटा से मॉडल बनाना है जिन्हें मनुष्यों द्वारा समझा और उपयोग किया जा सके।
यह वृद्धिशील वैचारिक सीखने का एक प्रसिद्ध दृष्टिकोण है, जो एक वर्गीकरण ट्री के रूप में पदानुक्रमित क्लस्टरिंग उत्पन्न करता है। प्रत्येक नोड एक अवधारणा को परिभाषित करता है और उस अवधारणा का एक संभाव्य प्रतिनिधित्व शामिल करता है।
सीमाएँ
- यह धारणा कि विशेषताएँ एक-दूसरे से स्वतंत्र हैं, अक्सर बहुत मजबूत होती है क्योंकि सहसंबंध मौजूद हो सकता है।
- यह बड़े डेटाबेस डेटा, विषम ट्री, और महंगे संभाव्यता वितरण के क्लस्टरिंग के लिए उपयुक्त नहीं है।
न्यूरल नेटवर्क दृष्टिकोण
न्यूरल नेटवर्क दृष्टिकोण प्रत्येक क्लस्टर को एक उदाहरण के रूप में प्रस्तुत करता है, जो क्लस्टर के प्रोटोटाइप के रूप में कार्य करता है। नई वस्तुओं को उस क्लस्टर में वितरित किया जाता है जिसका उदाहरण किसी दूरी माप के अनुसार सबसे समान होता है।
