PROCLUS का अर्थ है Projected Clustering (प्रक्षेपित क्लस्टरिंग)। यह एक सामान्य आयाम-कमी उपस्थान क्लस्टरिंग तकनीक है। अर्थात, व्यक्तिगत-आयामी स्थानों से शुरू करने के बजाय, यह उच्च-आयामी विशेषता क्षेत्र में क्लस्टर्स के मूल अनुमान को खोजकर शुरू करता है।
प्रत्येक आयाम को प्रत्येक क्लस्टर के लिए एक वजन दिया जाता है, और ताज़ा वजन का उपयोग अगली पुनरावृत्ति में क्लस्टर्स को पुनर्स्थापित करने के लिए किया जाता है। यह सभी सुविधाजनक आयामता के उपस्थानों में घने क्षेत्रों के अन्वेषण की ओर ले जाता है और निम्न आयामता के प्रक्षेपित आयामों में ओवरलैप्ड क्लस्टर्स की एक बड़ी संख्या की पीढ़ी को रोकता है।
PROCLUS CLARANS में उपयोग किए गए हिल-क्लाइंबिंग चरण के समान एक हिल-क्लाइंबिंग चरण द्वारा मेडॉइड्स के सर्वोत्तम समूह की खोज करता है, लेकिन अनुमानित क्लस्टरिंग के साथ प्रबंधन के लिए सामान्यीकृत। यह मैनहट्टन खंडीय दूरी के रूप में जानी जाने वाली एक दूरी माप को अपनाता है, जो उपयुक्त आयामों के एक समूह पर मैनहट्टन दूरी है।
PROCLUS एल्गोरिदम में तीन प्रक्रियाएं शामिल हैं: प्रारंभिककरण, पुनरावृत्ति, और क्लस्टर परिशोधन। प्रारंभिककरण प्रक्रिया में, यह एक लालची एल्गोरिदम की आवश्यकता होती है ताकि मूल मेडॉइड्स का एक सेट चुना जा सके जो एक दूसरे से दूर हों ताकि यह सुनिश्चित हो सके कि प्रत्येक क्लस्टर चयनित सेट में कम से कम एक ऑब्जेक्ट द्वारा परिभाषित है।
यह आवश्यक क्लस्टर्स की संख्या के अनुपात में डेटा बिंदुओं का एक यादृच्छिक नमूना चुन सकता है, और फिर अगली प्रक्रिया के लिए एक और छोटे अंतिम उपसमुच्चय को प्राप्त करने के लिए लालची एल्गोरिदम का उपयोग करता है।
पुनरावृत्ति प्रक्रिया इस कम किए गए सेट (मेडॉइड्स का) से k मेडॉइड्स का एक यादृच्छिक सेट चुनती है, और यदि क्लस्टरिंग बढ़ती है तो "खराब" मेडॉइड्स को यादृच्छिक रूप से नए मेडॉइड्स से बदल देती है।
प्रत्येक मेडॉइड के लिए, आयामों का एक समूह चुना जाता है जिनकी औसत दूरियां गणितीय अपेक्षा की तुलना में छोटी होती हैं। मेडॉइड्स से संबंधित आयामों की कुल संख्या k×l होनी चाहिए, जहां l एक इनपुट पैरामीटर है जो क्लस्टर उपक्षेत्रों की औसत आयामता चुनता है।
परिशोधन प्रक्रिया खोजे गए क्लस्टर्स के आधार पर प्रत्येक मेडॉइड के लिए नए आयामों की गणना करती है, बिंदुओं को मेडॉइड्स को पुनः असाइन करती है, और बाहरी मानों को हटाती है। PROCLUS दर्शाता है कि विधि उच्च-आयामी क्लस्टर्स की खोज में प्रभावी और स्केलेबल है।
CLIQUE के विपरीत, जो कई ओवरलैप्ड क्लस्टर्स आउटपुट करता है, PROCLUS बिंदुओं के गैर-ओवरलैप्ड विभाजन ढूंढता है। खोजे गए क्लस्टर्स उच्च-आयामी डेटा को बेहतर ढंग से समझने और अन्य बाद के विश्लेषणों का समर्थन करने में मदद कर सकते हैं।
CLIQUE अनिवार्य रूप से सबसे बड़ी आयामता के उपस्थानों की खोज करता है जिनमें उन उपस्थानों में उच्च-घनत्व क्लस्टर्स मौजूद हैं। यह इनपुट ऑब्जेक्ट्स के क्रम के प्रति असंवेदनशील है और किसी विहित डेटा वितरण का दिखावा नहीं करता है। यह इनपुट के आकार के साथ रैखिक रूप से स्केल करता है और डेटा में आयामों की संख्या बढ़ने पर सर्वोत्तम स्केलेबिलिटी रखता है।
