DBSCAN के साथ क्लस्टरिंग

DBSCAN (शोर के साथ अनुप्रयोगों का घनत्व-आधारित स्थानिक क्लस्टरिंग) एक क्लस्टरिंग एल्गोरिथ्म है जो एक साथ समूह बनाता है जो एक घनत्व मानदंड के आधार पर एक दूसरे के करीब हैं। अन्य क्लस्टरिंग मॉडल जैसे K- साधन के विपरीत, DBSCAN मनमाना आकार के समूहों की पहचान कर सकता है और पहले से निर्दिष्ट किए जाने वाले समूहों की संख्या की आवश्यकता नहीं होती है। यह शोर के प्रति कम संवेदनशील है और विभिन्न घनत्वों के समूहों को संभाल सकता है।

डीबीएससीएएन एल्गोरिथम का उपयोग करके एक संतोषजनक परिणाम प्राप्त करने के लिए यह माना जाता है कि डेटा में विभिन्न समूहों में अपेक्षाकृत समान घनत्व होता है, जहां घनत्व से हमारा मतलब है कि प्रत्येक पड़ोस एन (एक्स, ε) में मौजूद अंकों की संख्या जो परिभाषित है एक त्रिज्या ε और एक डेटा बिंदु x द्वारा। उपरोक्त छवि के मध्य में DBSCAN उदाहरण को देखकर इस दावे को वैकल्पिक रूप से सत्यापित किया जा सकता है, जहां नीले क्लस्टर के आसपास के बिंदु, जिनमें कुछ अलग घनत्व है, को नारंगी क्लस्टर का हिस्सा माना जाता है।

DBSCAN को लागू करने के लिए केवल आवश्यक पैरामीटर हैं:

• MinPts = न्यूनतम बिंदु जो डेटा बिंदु के पड़ोस में होना चाहिए ताकि डेटा बिंदु को क्लस्टर का मुख्य बिंदु माना जा सके
• ε = आस-पड़ोस की त्रिज्या (अर्थात हम केंद्र डेटा बिंदु के चारों ओर अपने "मंडलियों" को कितना बड़ा चाहते हैं)

1. कोर पॉइंट: इस प्रकार के डेटा पॉइंट का घनत्व ≥ न्यूनतम अंक होता है। इसका अर्थ है कि N(x, ε) में डेटा बिंदुओं की संख्या MinPts से अधिक या उसके बराबर है।

2. सीमा बिंदु: इस प्रकार के डेटा बिंदु का घनत्व <न्यूनतम अंक होता है लेकिन दूरी (y, cp) ≤ ε जहां cp एक मुख्य बिंदु होता है। इसका मतलब यह है कि उन बिंदुओं में मुख्य बिंदु होने के लिए आवश्यक घनत्व नहीं है, लेकिन वे शोर माने जाने वाले मुख्य बिंदु से बहुत दूर भी नहीं हैं।

उदाहरण: न्यूनतम अंक = 4, ε = 3 तो y एक सीमा बिंदु है

3. शोर बिंदु: इस प्रकार के डेटा बिंदु का घनत्व <न्यूनतम और, दूरी (z, cp) ≥ ε होता है। मतलब कि इसमें कोर पॉइंट बनने के लिए जरूरी डेंसिटी नहीं है और ये किसी भी कोर पॉइंट से काफी दूर है।

उदाहरण: MinPts = 4, ε = 3 तो z एक शोर बिंदु है

और इसलिए डेटा बिंदुओं के वर्गीकरण की उस प्रक्रिया के आधार पर, DBSCAN एल्गोरिथम इस प्रकार है:

1. प्रत्येक डेटा बिंदु पर पुनरावृति करें और इसे उन तीन श्रेणियों में से एक में वर्गीकृत करें
2. सभी शोर बिंदुओं को हटा दें
3. एक ही क्लस्टर में होने के लिए एक दूसरे के करीब स्थित सभी मुख्य बिंदुओं पर विचार करें (मतलब है कि यदि cp_1 और cp_2 मुख्य बिंदु हैं और दूरी (cp_1, cp_2) ≤ ε तो cp_1 और cp_2 को एक ही क्लस्टर में माना जाता है।)
4. प्रत्येक सीमा बिंदु को उनकी दूरी के आधार पर मुख्य बिंदुओं के एक समूह में निर्दिष्ट करें (सीमा बिंदु जो दो समूहों के बीच मध्य बिंदु में स्थित हैं, उन्हें अलग से हल करना होगा, शायद एक सिक्का फ्लिप करें; डी)