स्वचालित क्लस्टरिंग एल्गोरिदम
स्वचालित क्लस्टरिंग एल्गोरिदम ऐसे एल्गोरिदम हैं जो डेटा सेट के पूर्व ज्ञान के बिना क्लस्टरिंग कर सकते हैं। अन्य क्लस्टर विश्लेषण तकनीकों के विपरीत, स्वचालित क्लस्टरिंग एल्गोरिदम शोर और बाहरी बिंदुओं की उपस्थिति में भी क्लस्टर की इष्टतम संख्या निर्धारित कर सकते हैं।[1]
केन्द्रक आधारित
n वस्तुओं के एक सेट को देखते हुए, सेंट्रोइड-आधारित एल्गोरिदम एक असमानता फ़ंक्शन के आधार पर k विभाजन बनाते हैं, जैसे कि k≤n। इस प्रकार के एल्गोरिदम को लागू करने में एक बड़ी समस्या बिना लेबल वाले डेटा के लिए क्लस्टर की उचित संख्या निर्धारित करना है। इसलिए, क्लस्टरिंग विश्लेषण में अधिकांश शोध प्रक्रिया के स्वचालन पर केंद्रित है।
K-मीन्स क्लस्टरिंग एल्गोरिदम में k का स्वचालित चयन‚ सबसे अधिक उपयोग किए जाने वाले सेंट्रोइड-आधारित क्लस्टरिंग एल्गोरिदम में से एक, अभी भी मशीन लर्निंग में एक बड़ी समस्या है। इस समस्या का सबसे स्वीकृत समाधान एल्बो विधि (क्लस्टरिंग) है। इसमें मानों की एक श्रृंखला के साथ डेटा सेट पर के-मीन्स क्लस्टरिंग चलाना, प्रत्येक के लिए वर्ग त्रुटियों के योग की गणना करना और उन्हें एक लाइन चार्ट में प्लॉट करना शामिल है। यदि चार्ट एक भुजा की तरह दिखता है, तो k का सबसे अच्छा मान "कोहनी" पर होगा।[2]
एक अन्य विधि जो क्लस्टर की इष्टतम संख्या को स्वचालित रूप से चुनने के लिए के-मीन्स एल्गोरिदम को संशोधित करती है वह जी-मीन्स एल्गोरिदम है। इसे इस परिकल्पना से विकसित किया गया था कि डेटा का एक उपसमूह गाऊसी वितरण का अनुसरण करता है। इस प्रकार, k को तब तक बढ़ाया जाता है जब तक कि प्रत्येक k-साधन केंद्र का डेटा गॉसियन न हो जाए। इस एल्गोरिदम को एक पैरामीटर के रूप में केवल मानक सांख्यिकीय महत्व स्तर की आवश्यकता होती है और यह डेटा के सहप्रसरण के लिए सीमा निर्धारित नहीं करता है।[3]
कनेक्टिविटी-आधारित (पदानुक्रमित क्लस्टरिंग)
कनेक्टिविटी-आधारित क्लस्टरिंग या पदानुक्रमित क्लस्टरिंग इस विचार पर आधारित है कि वस्तुओं में दूर की तुलना में पास की अन्य वस्तुओं के साथ अधिक समानताएं होती हैं। इसलिए, इस प्रकार के एल्गोरिदम से उत्पन्न क्लस्टर विश्लेषण की गई वस्तुओं के बीच की दूरी का परिणाम होंगे।
पदानुक्रमित मॉडल या तो विभाजनकारी हो सकते हैं, जहां विभाजन उपलब्ध संपूर्ण डेटा सेट से बनाए जाते हैं, या एकत्रित होते हैं, जहां प्रत्येक विभाजन एक ही ऑब्जेक्ट से शुरू होता है और सेट में अतिरिक्त ऑब्जेक्ट जोड़े जाते हैं।[4] यद्यपि पदानुक्रमित क्लस्टरिंग में किसी भी वैध मीट्रिक को परिभाषित दूरी के रूप में उपयोग करने की अनुमति देने का लाभ है, यह डेटा सेट में शोर और उतार-चढ़ाव के प्रति संवेदनशील है और इसे स्वचालित करना अधिक कठिन है।
मौजूदा पदानुक्रमित क्लस्टरिंग एल्गोरिदम को बेहतर बनाने और स्वचालित करने के लिए तरीके विकसित किए गए हैं[5] जैसे एकल लिंकेज पदानुक्रमित क्लस्टर विश्लेषण (एचसीए) का एक स्वचालित संस्करण हैं। यह कम्प्यूटरीकृत पद्धति अपनी सफलता को एक आत्मनिर्भर बाह्य कटौती दृष्टिकोण पर आधारित करती है जिसके बाद एक वर्णनात्मक फ़ंक्शन का निर्माण होता है जो प्राकृतिक समूहों को परिभाषित करने की अनुमति देता है। छोड़ी गई वस्तुओं को भी इन समूहों को सौंपा जा सकता है। मूलतः, किसी को प्राकृतिक समूहों की पहचान करने के लिए बाहरी मापदंडों का सहारा लेने की आवश्यकता नहीं है। एचसीए से एकत्रित जानकारी, स्वचालित और विश्वसनीय, प्राकृतिक समूहों की संख्या और संबंधित पृथक्करण के साथ एक डेंड्रोग्राम में फिर से शुरू की जा सकती है, यह विकल्प शास्त्रीय एचसीए में नहीं पाया जाता है। इस पद्धति में निम्नलिखित दो चरण शामिल हैं: आउटलेर्स को हटाया जा रहा है (यह कई फ़िल्टरिंग अनुप्रयोगों में लागू होता है) और एक वैकल्पिक वर्गीकरण जो वस्तुओं के पूरे सेट के साथ क्लस्टर का विस्तार करने की अनुमति देता है।[6]
BIRCH (पदानुक्रम का उपयोग करके संतुलित पुनरावृत्त कम करना और क्लस्टरिंग) एक एल्गोरिदम है जिसका उपयोग बड़े डेटा-सेट के लिए कनेक्टिविटी-आधारित क्लस्टरिंग करने के लिए किया जाता है।[7] इसे सबसे तेज़ क्लस्टरिंग एल्गोरिदम में से एक माना जाता है, लेकिन यह सीमित है क्योंकि इसमें इनपुट के रूप में क्लस्टर की संख्या की आवश्यकता होती है। इसलिए, BIRCH पर आधारित नए एल्गोरिदम विकसित किए गए हैं जिनमें शुरुआत से ही क्लस्टर गिनती प्रदान करने की आवश्यकता नहीं है, लेकिन यह क्लस्टर की गुणवत्ता और गति को बरकरार रखता है। मुख्य संशोधन BIRCH के अंतिम चरण को हटाना है, जहां उपयोगकर्ता को क्लस्टर गिनती इनपुट करना था, और डेटा से थ्रेशोल्ड पैरामीटर को अनुकूलित करके, बाकी एल्गोरिदम में सुधार करना है, जिसे ट्री-BIRCH कहा जाता है। इस परिणामी एल्गोरिदम में, थ्रेशोल्ड पैरामीटर की गणना अधिकतम क्लस्टर त्रिज्या और क्लस्टर के बीच न्यूनतम दूरी से की जाती है, जिसे अक्सर जाना जाता है। यह विधि हजारों समूहों के डेटा सेट के लिए कारगर साबित हुई। यदि उस राशि से आगे जाने पर, एक सुपरक्लस्टर विभाजन समस्या पेश की जाती है। इसके लिए, एमडीबी-बिर्च जैसे अन्य एल्गोरिदम विकसित किए गए हैं, जो अपेक्षाकृत उच्च गति के साथ सुपर क्लस्टर विभाजन को कम करता है।[8]
घनत्व-आधारित
विभाजन और पदानुक्रमित तरीकों के विपरीत, घनत्व-आधारित क्लस्टरिंग एल्गोरिदम केवल गोले ही नहीं, बल्कि किसी भी मनमाने आकार के क्लस्टर ढूंढने में सक्षम हैं।
घनत्व-आधारित क्लस्टरिंग एल्गोरिदम स्वायत्त मशीन लर्निंग का उपयोग करता है जो भौगोलिक स्थिति और पड़ोसियों की एक विशेष संख्या से दूरी के संबंध में पैटर्न की पहचान करता है। इसे स्वायत्त माना जाता है क्योंकि क्लस्टर क्या है, इस पर पूर्व ज्ञान की आवश्यकता नहीं होती है।[9] इस प्रकार का एल्गोरिदम डेटा में क्लस्टर खोजने के लिए विभिन्न तरीके प्रदान करता है। सबसे तेज़ विधि डीबीएससीएएन है, जो सूचना के घने समूहों और कम शोर के बीच अंतर करने के लिए एक परिभाषित दूरी का उपयोग करती है। इसके अलावा, HDBSCAN एक निर्दिष्ट दूरी के बजाय दूरियों की एक श्रृंखला का उपयोग करके स्वयं-समायोजित कर सकता है। अंत में, ऑप्टिक्स विधि प्रकाशिकी एल्गोरिथ्म अलग-अलग घनत्व के समूहों से शोर को अलग करने के लिए पड़ोसी सुविधाओं से दूरी के आधार पर एक रीचैबिलिटी प्लॉट बनाती है।
इन विधियों के लिए अभी भी उपयोगकर्ता को क्लस्टर केंद्र प्रदान करने की आवश्यकता होती है और इन्हें स्वचालित नहीं माना जा सकता है। स्वचालित स्थानीय घनत्व क्लस्टरिंग एल्गोरिदम (एएलडीसी) स्वचालित घनत्व-आधारित क्लस्टरिंग विकसित करने पर केंद्रित नए शोध का एक उदाहरण है। ALDC प्रत्येक बिंदु के स्थानीय घनत्व और दूरी विचलन पर काम करता है, इस प्रकार संभावित क्लस्टर केंद्र और अन्य बिंदुओं के बीच अंतर को बढ़ाता है। यह विस्तार मशीन को स्वचालित रूप से काम करने की अनुमति देता है। मशीन क्लस्टर केंद्रों की पहचान करती है और उन बिंदुओं को निर्दिष्ट करती है जो उच्च घनत्व वाले उनके निकटतम पड़ोसी द्वारा छोड़े गए हैं।[10]
समूहों की पहचान करने के लिए डेटा घनत्व के स्वचालन में, अनुसंधान को कृत्रिम रूप से एल्गोरिदम उत्पन्न करने पर भी ध्यान केंद्रित किया गया है। उदाहरण के लिए, वितरण एल्गोरिदम का अनुमान निर्देशित अचक्रीय ग्राफ (डीएजी) द्वारा वैध एल्गोरिदम की पीढ़ी की गारंटी देता है, जिसमें नोड्स प्रक्रियाओं (बिल्डिंग ब्लॉक) का प्रतिनिधित्व करते हैं और किनारे दो नोड्स के बीच संभावित निष्पादन अनुक्रमों का प्रतिनिधित्व करते हैं। बिल्डिंग ब्लॉक्स ईडीए की वर्णमाला या, दूसरे शब्दों में, किसी भी उत्पन्न एल्गोरिदम को निर्धारित करते हैं। प्रायोगिक परिणामों में कृत्रिम रूप से उत्पन्न क्लस्टरिंग एल्गोरिदम की तुलना DBSCAN, एक मैनुअल एल्गोरिदम से की जाती है।[11]
संदर्भ
- ↑ Outlier
- ↑ "के-मीन्स क्लस्टरिंग के लिए क्लस्टर की इष्टतम संख्या निर्धारित करने के लिए कोहनी विधि का उपयोग करना". bl.ocks.org. Retrieved 2018-11-12.
- ↑ Hamerly, Greg; Elkan, Charles (9 December 2003). Sebastian Thrun; Lawrence K Saul; Bernhard H Schölkopf (eds.). k को k-साधनों में सीखना (PDF). Proceedings of the 16th International Conference on Neural Information Processing Systems (in English). Whistler, British Columbia, Canada: MIT Press. pp. 281–288. Archived from the original (PDF) on 16 October 2022. Retrieved 3 November 2022.
{{cite conference}}: CS1 maint: date and year (link) - ↑ "Introducing Clustering II: Clustering Algorithms - GameAnalytics". GameAnalytics (in English). 2014-05-20. Retrieved 2018-11-06.
- ↑ Almeida, J.A.S.; Barbosa, L.M.S.; Pais, A.A.C.C.; Formosinho, S.J. (June 2007). "Improving hierarchical cluster analysis: A new method with outlier detection and automatic clustering" (PDF). Chemometrics and Intelligent Laboratory Systems (in English). Elsevier. 87 (2): 208–217. doi:10.1016/j.chemolab.2007.01.005. hdl:10316/5042. Retrieved 3 November 2022.
- ↑ Almeida, J.A.S.; Barbosa, L.M.S.; Pais, A.A.C.C.; Formosinho, S.J. (2007-06-15). "Improving hierarchical cluster analysis: A new method with outlier detection and automatic clustering" (PDF). Chemometrics and Intelligent Laboratory Systems (in English). 87 (2): 208–217. doi:10.1016/j.chemolab.2007.01.005. hdl:10316/5042. ISSN 0169-7439.
- ↑ Zhang, Tian; Ramakrishnan, Raghu; Livny, Miron; Zhang, Tian; Ramakrishnan, Raghu; Livny, Miron (1996-06-01). "BIRCH: an efficient data clustering method for very large databases, BIRCH: an efficient data clustering method for very large databases". ACM SIGMOD Record. 25 (2): 103, 103–114, 114. doi:10.1145/235968.233324. ISSN 0163-5808.
- ↑ Lorbeer, Boris; Kosareva, Ana; Deva, Bersant; Softić, Dženan; Ruppel, Peter; Küpper, Axel (2018-03-01). "क्लस्टरिंग एल्गोरिथम BIRCH पर बदलाव". Big Data Research (in English). 11: 44–53. doi:10.1016/j.bdr.2017.09.002. ISSN 2214-5796.
- ↑ "How Density-based Clustering works—ArcGIS Pro | ArcGIS Desktop". pro.arcgis.com (in English). Retrieved 2018-11-05.
- ↑ "स्थानीय घनत्व क्लस्टरिंग के आधार पर क्लस्टर केंद्रों की स्वचालित पहचान के लिए एक एल्गोरिदम - आईईईई सम्मेलन प्रकाशन" (in English). doi:10.1109/CCDC.2017.7978726. S2CID 23267464.
{{cite journal}}: Cite journal requires|journal=(help) - ↑ "AutoClustering: An estimation of distribution algorithm for the automatic generation of clustering algorithms - IEEE Conference Publication" (in English). doi:10.1109/CEC.2012.6252874.
{{cite journal}}: Cite journal requires|journal=(help)
