ความหมายของ CLIQUE
CLIQUE เป็นอัลกอริทึมแรกที่เสนอสำหรับ dimension-growth subarea clustering (การจัดกลุ่มย่อยพื้นที่แบบเติบโตมิติ) ในพื้นที่มิติสูง (high-dimensional space) ใน dimension-growth subarea clustering กระบวนการจัดกลุ่มเริ่มต้นที่ single-dimensional subspaces (พื้นที่ย่อยมิติเดี่ยว) และเติบโตขึ้นสู่ higher-dimensional ones (มิติสูงกว่า)
เพราะ CLIQUE แบ่งพาร์ติชันแต่ละมิติ เช่น โครงสร้างกริด (grid architecture) และตัดสินใจว่าเซลล์เป็น dense (หนาแน่น) ขึ้นอยู่กับจำนวนจุดที่มันรวมอยู่ มันสามารถมองได้ว่าเป็นการรวม (integration) ของ density-based (แบบอิงความหนาแน่น) และ grid-based (แบบกริด) clustering approaches
แนวคิดของ CLIQUE Clustering Algorithm
ให้กลุ่มข้อมูลมิติหลายมิติ (multidimensional data points) ขนาดใหญ่ พื้นที่ข้อมูล (data space) โดยทั่วไปไม่ได้ถูกครอบครองอย่างสม่ำเสมอโดยจุดข้อมูล CLIQUE's clustering รู้จำพื้นที่ sparse (ลligt) และ "crowded" (แน่น) ในพื้นที่ (หรือหน่วย) ดังนั้นหา distribution patterns (รูปแบบการกระจาย) ทั้งหมดของชุดข้อมูล
หน่วย (unit) เป็น solid (แน่น) หากสัดส่วนของ total data points ที่รวมอยู่ในมัน เกิน input model parameter ใน CLIQUE cluster แทนเป็น maximal group (กลุ่มสูงสุด) ของ dense units ที่เชื่อมต่อกัน (linked)
สองกระบวนการของ CLIQUE
CLIQUE ดำเนินการ multidimensional clustering ในสองกระบวนการ:
กระบวนการแรก: CLIQUE แบ่งพาร์ติชัน d-dimensional data space เป็น non-overlapping rectangular units (หน่วยสี่เหลี่ยมผืนผ้าที่ไม่ทับซ้อน) ระบุ dense units ระหว่างพวกเขา สิ่งนี้ทำเสร็จ (ใน 1-D) สำหรับแต่ละมิติ
การระบุ student search space (พื้นที่ค้นหาผู้เรียน) ขึ้นอยู่กับ Apriori property ที่ใช้ใน association rule mining โดยทั่วไป property ใช้ prior knowledge (ความรู้ล่วงหน้า) ของ items ในพื้นที่ค้นหา เพื่อให้ส่วนของพื้นที่สามารถ pruned (ตัด枝) ได้
Property สำหรับ CLIQUE คือ ดังนี้: หาก k-dimensional unit เป็น dense ดังนั้น projection (ฉายภาพ) ของมันใน (k−1)-dimensional space ก็ dense เช่นกัน นั่นคือ ให้ k-dimensional student dense unit หากตรวจสอบ (k−1) th projection units และพบบางส่วนที่ไม่ dense แล้วสามารถเข้าใจได้ว่า kth dimensional unit ไม่สามารถเป็น dense ได้เช่นกัน
ดังนั้น สามารถสร้าง potential หรือ student dense units ใน k-dimensional space จาก dense units ที่พบใน (k − 1) dimensional space โดยทั่วไป พื้นที่ค้นหาที่ได้ (resulting space searched) เล็กกว่าพื้นที่ต้นฉบับมาก Dense units ถูกตรวจสอบเพื่อตัดสินใจ clusters
กระบวนการที่สอง: CLIQUE สร้าง minimal description (คำอธิบายขั้นต่ำ) สำหรับแต่ละคลัสเตอร์ ดังนี้ สำหรับแต่ละคลัสเตอร์ มันตัดสินใจ maximal region (พื้นที่สูงสุด) ที่ครอบคลุมคลัสเตอร์ของ dense units ที่เชื่อมต่อ มันตัดสินใจ minimal cover (logic description) สำหรับแต่ละคลัสเตอร์
CLIQUE จำเป็นต้องค้นพบ subspaces ของ largest dimensionality รวมถึง high-density clusters ที่มีอยู่ใน subspaces เหล่านั้น มัน insensitive (ไม่ไว) ต่อ series (ลำดับ) ของ input objects และไม่ pretend (แทน) canonical data distribution บางอย่าง มัน scales linearly (ขยายแบบเชิงเส้น) กับขนาดของ input และมี best scalability (การขยายที่ดีที่สุด) เมื่อจำนวนมิติในข้อมูลเพิ่มขึ้น (enhanced)
