データマイニングのクラスターの種類は何ですか？

クラスター分析は、これらのレコードに対して行われたさまざまな測定に応じて、同じレコードのグループまたはクラスターを形成するために使用されます。分析の目的に役立つ方法でクラスターを定義できます。このデータは、天文学、考古学、医学、化学、教育、心理学、言語学、社会学など、いくつかの分野で使用されています。

クラスターには次のようなさまざまな種類があります-

十分に分離されている −クラスターは、すべての要素がクラスター内にないオブジェクトよりもクラスター内の他のすべての要素に近いオブジェクトのグループです。場合によっては、しきい値によって、クラスター内のすべてのオブジェクトが互いに適切に近い（または類似している）必要があると定義できます。このクラスターの説明は、データに互いに完全に離れた自然なクラスターが含まれている場合にのみ必要です。

プロトタイプベース −クラスターは、各オブジェクトが複数のクラスターのプロトタイプよりもクラスターを表すプロトタイプに近いオブジェクトのグループです。連続属性を持つデータの場合、クラスターのプロトタイプは、クラスター内のさまざまなポイントの平均（平均）などの重心です。レコードにカテゴリ属性がある場合など、重心が重要でない場合、プロトタイプはクラスターの一般的なポイントなどのメドイドになります。

グラフベース −データがグラフとして一般的であり、ノードがオブジェクトであり、リンクがオブジェクト間の接続を定義している場合、クラスターは接続された要素として表すことができます。つまり、相互にリンクされているが、グループのさらに先のオブジェクトには接続されていないオブジェクトのセットです。

グラフベースのクラスターの重要なインスタンスは、隣接ベースのクラスターです。このクラスターでは、2つのオブジェクトが、互いに指定された距離内にある場合にのみリンクされます。これは、隣接ベースのクラスター内の各オブジェクトが、複数のクラスター内のあるポイントよりも、クラスター内の複数のオブジェクトに近いことを示しています。

密度ベースの方法 −一部の分割手法では、オブジェクト間の距離に応じてオブジェクトをクラスター化します。このようなアプローチでは、球形のクラスターのみを検出でき、任意の形状のクラスターを検出するのが困難になります。密度の概念に応じて、複数のクラスタリング手法が生成されています。

DBSCANは、密度のしきい値に従ってクラスターを増やす、頻繁な密度ベースの方法です。 OPTICSは、自動および相互クラスター分析のために拡張されたクラスタリング順序を計算する密度ベースの方法です。

グリッドベースのメソッド −グリッドベースの方法は、オブジェクト領域をグリッド構造を形成する有限の複数のセルに量子化します。いくつかのクラスタリングサービスがグリッド構造（つまり、量子化された空間）に実装されています。

このアプローチの利点は、処理時間が高速であることが多く、複数のデータオブジェクトに依存せず、量子化された空間の各次元の複数のセルのみに基づいていることです。