নরমালাইজেশন অপ্রয়োজনীয় ডেটা দূর করতে ব্যবহার করা হয় এবং নিশ্চিত করে যে ভাল মানের ক্লাস্টার তৈরি হয়েছে যা ক্লাস্টারিং অ্যালগরিদমের দক্ষতা উন্নত করতে পারে। তাই ইউক্লিডীয় দূরত্ব হিসাবে ক্লাস্টার করার আগে এটি একটি অপরিহার্য পদক্ষেপ হয়ে ওঠে। পার্থক্যের পরিবর্তনের প্রতি খুবই সংবেদনশীল[3]।
কে-মানে ক্লাস্টারিংয়ের জন্য আমাদের কি ডেটা স্বাভাবিক করতে হবে?
K-NN পদ্ধতির মতো, ক্লাস্টারিংয়ের জন্য ব্যবহৃত বৈশিষ্ট্যগুলিকে তুলনামূলক এককে পরিমাপ করতে হবে। এই ক্ষেত্রে, ইউনিটগুলি কোনও সমস্যা নয় কারণ সমস্ত 6টি বৈশিষ্ট্য 5-পয়েন্ট স্কেলে প্রকাশ করা হয়। নরমালাইজেশন বা স্ট্যান্ডার্ডাইজেশনের প্রয়োজন নেই।
ক্লাস্টার করার আগে আপনি কীভাবে ডেটা প্রস্তুত করবেন?
ডেটা প্রিপারেশন
R-এ ক্লাস্টার বিশ্লেষণ করতে, সাধারণত, ডাটা তৈরি করতে হবে নিম্নরূপ: সারি হল পর্যবেক্ষণ (ব্যক্তি) এবং কলাম হল ভেরিয়েবল। ডেটাতে যে কোনো অনুপস্থিত মান অবশ্যই মুছে ফেলতে হবে বা অনুমান করতে হবে। ভেরিয়েবলগুলিকে তুলনীয় করতে ডেটা অবশ্যই মানসম্মত (যেমন, স্কেল করা) হতে হবে।
ক্লাস্টারিংয়ের জন্য ডেটা কি স্কেল করা উচিত?
ক্লাস্টারিং-এ, আপনি সমস্ত বৈশিষ্ট্য ডেটা একত্রিত করে দুটি উদাহরণের মধ্যে সাদৃশ্য গণনা করেন একটি সংখ্যাসূচক মান। বৈশিষ্ট্য ডেটা একত্রিত করার জন্য ডেটার একই স্কেল থাকা প্রয়োজন৷
ক্লাস্টারিংয়ের আগে বৈশিষ্ট্যগুলিকে স্বাভাবিক করা কেন গুরুত্বপূর্ণ?
মানককরণ ডেটার একটি গুরুত্বপূর্ণ ধাপপ্রিপ্রসেসিং।
এই পেপারে যেমন ব্যাখ্যা করা হয়েছে, k-মানে নিউটন অ্যালগরিদম, অর্থাৎ গ্রেডিয়েন্ট-ভিত্তিক অপ্টিমাইজেশান অ্যালগরিদম ব্যবহার করে ত্রুটি ফাংশন কমিয়ে দেয়। ডেটা স্বাভাবিক করার ফলে এই ধরনের অ্যালগরিদমগুলির কনভারজেন্স উন্নত হয়।
