DBSCAN क्लस्टरिंग

DBSCAN क्लस्टरिंग क्या है?

DBSCAN निकट बिंदुओं को समूहित करता है और कम घनत्व वाले बिंदुओं को बाह्य मान चिह्नित करता है। K पूर्व-निर्दिष्ट करने की आवश्यकता नहीं।

दो मापदंड: epsilon (eps) — अधिकतम पड़ोसी दूरी; minSamples — घने क्षेत्र के लिए न्यूनतम बिंदु। बिंदु: कोर, सीमा या शोर।

DBSCAN विविध घनत्व, गैर-उत्तल आकार और महत्वपूर्ण शोर वाले डेटा के लिए प्रभावी है।

Formula: कोर बिंदु: |N_eps(p)| ≥ minSamples सीमा बिंदु: |N_eps(p)| < minSamples परंतु किसी कोर बिंदु के eps के भीतर शोर: न कोर न सीमा N_eps(p) = {q : dist(p,q) ≤ eps}

गणना उदाहरण

बिंदु: (1,1), (1.1,1.2), (0.9,0.8), (5,5), (5.1,5.2), (4.9,4.8), (10,10)। eps=1.0, minSamples=2। क्लस्टर 1: 3, क्लस्टर 2: 3, शोर: (10,10)।

इस कैलकुलेटर का उपयोग कब करें

• कोई डेटा वैज्ञानिक जो विसंगति पहचान कर रहा हो जहाँ आउटलायर को क्लस्टरों से अलग शोर बिंदुओं के रूप में स्पष्ट रूप से पहचानना आवश्यक हो
• कोई स्थानिक विश्लेषक जो भौगोलिक डेटा (उदा., अपराध हॉटस्पॉट, डिलीवरी स्थान) का क्लस्टरिंग कर रहा हो जहाँ क्लस्टर आकृतियाँ अनियमित हों और समूहों की संख्या अज्ञात हो
• कोई शोधकर्ता जो प्राकृतिक शोर वाले डेटा का विश्लेषण कर रहा हो जहाँ (K-Means की तरह) हर बिंदु को किसी क्लस्टर में ज़बरदस्ती डालना विश्लेषण को विकृत कर देगा
• कोई इंजीनियर जो ऐसे सेंसर रीडिंग का समूहन कर रहा हो जो अगोलाकार पैटर्न (वलय, अर्धचंद्र, लम्बी आकृतियाँ) बनाते हों जिन्हें K-Means नहीं पहचान सकता

बचने योग्य सामान्य गलतियाँ

• epsilon बहुत बड़ा सेट करना — इससे भिन्न क्लस्टर एक में विलीन हो जाते हैं; उपयुक्त eps मान खोजने के लिए k-distance प्लॉट में वक्र के मोड़ (knee) का उपयोग करें
• epsilon बहुत छोटा सेट करना — इससे अधिकांश बिंदु शोर वर्गीकृत होते हैं और बहुत कम या कोई क्लस्टर नहीं मिलता; यदि आपका अधिकांश डेटा शोर लेबल हो रहा है, तो eps संभवतः बहुत छोटा है
• क्लस्टरिंग से पहले फ़ीचर स्केल न करना — DBSCAN यूक्लिडियन दूरी उपयोग करता है, इसलिए बड़े पैमाने वाले फ़ीचर दूरी गणना पर हावी होते हैं; पहले सभी फ़ीचर मानकीकृत करें
• बहुत भिन्न घनत्व वाले क्लस्टरों पर DBSCAN उपयोग करना — एक ही eps मान सघन और विरल दोनों क्लस्टरों को एक साथ नहीं संभाल सकता; इसके बजाय HDBSCAN या OPTICS पर विचार करें

परिणामों की व्याख्या कैसे करें

• शोर बिंदु (आउटलायर के रूप में लेबल किए गए) कम-घनत्व क्षेत्रों के डेटा बिंदु हैं — ये वास्तविक विसंगतियाँ, मापन त्रुटियाँ या क्लस्टरों के बीच का संक्रमणकालीन डेटा हो सकते हैं
• क्लस्टरों की संख्या डेटा और पैरामीटरों से स्वतः निर्धारित होती है, पहले से निर्दिष्ट नहीं की जाती — K-Means पर यह एक प्रमुख लाभ है
• यदि एल्गोरिद्म केवल एक क्लस्टर पाए या सब कुछ शोर वर्गीकृत कर दे, तो eps और minSamples समायोजित करें — पैरामीटरों को आपके डेटा की घनत्व संरचना के अनुसार ट्यून करना होता है

संबंधित मानक और संदर्भ

• Ester, Kriegel, Sander & Xu (1996), 'A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise', Proc. KDD-96 — DBSCAN का मूल शोधपत्र
• Schubert, Sander, Ester, Kriegel & Xu (2017), 'DBSCAN Revisited, Revisited', ACM Transactions on Database Systems — पैरामीटर चयन और k-दूरी ह्यूरिस्टिक पर आधुनिक मार्गदर्शन

अक्सर पूछे जाने वाले प्रश्न

eps और minSamples कैसे चुनें?

minSamples: सामान्यतः 2×आयाम। eps: k-निकटतम पड़ोसी दूरी वक्र का 'घुटना' चुनें।

K-Means के बजाय DBSCAN कब?

जब K अज्ञात हो, अनियमित आकार हों या महत्वपूर्ण शोर हो। K-Means गोलाकार क्लस्टर के लिए तेज़ है।