Clustering Kya Hai? परिभाषा, प्रकार और एल्गोरिदम की जानकारी
क्लस्टरिंग (clustering) एक अनसुपरवाइज्ड लर्निंग तकनीक है जो समानता के आधार पर डेटा को कई समूहों में बांटती है, ताकि एक समूह के डेटा आपस में मिलते-जुलते हों और दूसरे समूह के डेटा से अलग हों। चूंकि डेटा पर पहले से कोई लेबल नहीं होता, एल्गोरिदम स्वयं प्राकृतिक संरचना और पैटर्न खोजता है।
इसे अनसुपरवाइज्ड लर्निंग क्यों कहते हैं
सुपरवाइज्ड लर्निंग में मॉडल डेटा और लेबल के जोड़े से सीखता है, जैसे तस्वीर पर पहले से "बिल्ली" या "कुत्ता" लिखा होना। क्लस्टरिंग में ऐसा नहीं होता: इनपुट का कोई सही जवाब नहीं होता, इसलिए मॉडल को पास-पास दिखने वाले बिंदु खुद ढूंढकर उन्हें एक समूह में रखना होता है।
| पहलू | वर्गीकरण (classification) | क्लस्टरिंग (clustering) |
|---|---|---|
| लेबल | पहले से मौजूद | नहीं होता, खोजा जाता है |
| सवाल | "यह किस वर्ग का है?" | "कौन से डेटा एक जैसे हैं?" |
| उदाहरण | स्पैम ईमेल पहचानना | ग्राहक समूह बनाना |
क्लस्टरिंग अनसुपरवाइज्ड लर्निंग का हिस्सा है, साथ में डायमेंशन रिडक्शन और बिना लेबल वाले पैटर्न खोजने की तकनीकें भी आती हैं।
बुनियादी कार्यप्रणाली
समूह बनाने से पहले एल्गोरिदम मापता है कि दो डेटा बिंदु कितने समान हैं। संख्यात्मक डेटा के लिए यूक्लिडियन दूरी और टेक्स्ट के लिए कोसाइन समानता आमतौर पर इस्तेमाल होती है।
- समानता मापना: हर बिंदु की तुलना दूरी या कोण के आधार पर की जाती है।
- समूह बनाना: पास के बिंदु जोड़े जाते हैं, फिर हर समूह को एक केंद्रक (centroid) से दर्शाया जाता है।
- फिर से समायोजन: समूह और केंद्रक तब तक अपडेट होते हैं जब तक संरचना स्थिर न हो जाए।
अंतिम परिणाम में डेटा छोटे और साफ समूहों में बंट जाता है, जिससे छिपे पैटर्न पढ़ना आसान हो जाता है।
एल्गोरिदम के प्रकार
अलग-अलग तरीके डेटा के आकार को लेकर अलग मान्यताएं रखते हैं।
| प्रकार | डेटा को देखने का नजरिया | उदाहरण |
|---|---|---|
| पार्टीशन-आधारित | डेटा को केंद्रक वाले समूहों में बांटना | K-means |
| पदानुक्रमिक | छोटे से बड़े समूहों का पेड़ बनाना | Agglomerative |
| घनत्व-आधारित | घने क्षेत्र से समूह बढ़ना, सूने बिंदु असामान्य | DBSCAN |
| मॉडल-आधारित | डेटा को कई वितरणों से आया मानना | Gaussian Mixture |
K-means सरल और तेज होने के कारण काफी इस्तेमाल होता है, लेकिन समूहों की संख्या पहले बतानी पड़ती है। DBSCAN में समूह संख्या अनिवार्य नहीं है और यह अनियमित आकार संभाल लेता है, जबकि पदानुक्रमिक विधि एक स्तरीय ढांचा देती है जिसे ट्रेस करना आसान है।
उपयोग के उदाहरण
- ग्राहक विभाजन: खरीदारी की आदत के आधार पर उपयोगकर्ताओं को समूह में बांटकर सेवा अनुकूलित करना।
- खुदरा और मार्केटिंग: बाजार को समान रुचि वाले समूहों में बांटना।
- दस्तावेज़ समूहन: लेख या सपोर्ट टिकट को विषय के अनुसार सजाना।
- छवि: कंप्यूटर विज़न में रंग संपीड़न और छवि विभाजन।
- विसंगति पहचान: जो बिंदु सामान्य समूह में नहीं आते, उन्हें जांच के लिए चिह्नित करना।
सीमाएं
क्लस्टरिंग का परिणाम हर बार एक जैसा नहीं होता, खासकर जब शुरुआती केंद्रक यादृच्छिक चुने जाते हैं। समूह बहुत कम या बहुत ज्यादा हों तो पैटर्न धुंधला हो सकता है, और अलग पैमाने वाले डेटा को पहले स्केल करना चाहिए ताकि बड़ी विशेषता दूरी पर हावी न हो। परिणाम की गुणवत्ता डेटा लेबलिंग और डेटा सफाई पर भी निर्भर करती है।
अन्य अवधारणाओं से संबंध
क्लस्टरिंग मशीन लर्निंग का अंग है और अक्सर खोजपूर्ण डेटा विश्लेषण में इस्तेमाल होती है। इसी विचार का उपयोग K-means क्लस्टरिंग और सिफारिश प्रणाली में भी होता है, जहां समान रुचि वाले उपयोगकर्ता खोजे जाते हैं।
सामान्य प्रश्न (FAQ)
आसान शब्दों में क्लस्टरिंग क्या है?
यह समान डेटा को समूहों में बांटने का तरीका है, जैसे बिना लेबल के ग्राहकों को कई समूहों में अलग करना।
क्लस्टरिंग और वर्गीकरण में क्या अंतर है?
वर्गीकरण पहले से तय लेबल का अनुमान लगाता है, जबकि क्लस्टरिंग बिना सही जवाब के डेटा के प्राकृतिक समूह खोजती है।
केंद्रक (centroid) क्या होता है?
यह एक समूह का प्रतिनिधित्व करने वाला केंद्र बिंदु है, जिसे आमतौर पर समूह के बिंदुओं के औसत से निकाला जाता है।
क्या K-means क्लस्टरिंग है?
हां। K-means एक पार्टीशन-आधारित एल्गोरिदम है जो केंद्रकों के जरिए डेटा को समूहों में बांटता है।
क्या क्लस्टरिंग असामान्य डेटा खोजने में मदद करती है?
हां। जो बिंदु सामान्य समूह से दूर या कम घनत्व वाले क्षेत्र में हों, उन्हें जांच के लिए विसंगति के रूप में चिह्नित किया जा सकता है।
मुख्य बिंदु
- क्लस्टरिंग बिना लेबल, समानता के आधार पर डेटा को समूहों में बांटती है, इसलिए यह अनसुपरवाइज्ड लर्निंग है।
- समानता दूरी या कोण से मापी जाती है, फिर समूह स्थिर होने तक बनते और अपडेट होते हैं।
- K-means, पदानुक्रमिक और DBSCAN डेटा के आकार को लेकर अलग मान्यताएं रखते हैं।
- इसके उपयोग ग्राहक विभाजन, दस्तावेज़, छवि और विसंगति चिह्नन में हैं।
आगे पढ़ें अनसुपरवाइज्ड लर्निंग क्या है और मशीन लर्निंग क्या है।
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free