최소 거리 교차 그래프에 기반한 클러스터링 알고리즘의 설계와 구현

Abstract

공간(Spatial )데이터 마이닝 기법은 지리 정보 시스템, 의료 장비, 컴퓨터 지도 작성 등과 같은 다양한 영역에서 수집된 공간 데이터로부터 표면적으로 드러나지 않은, 유용하고, 가치 있는 정보를 추출하는 과정을 말한다. 공간 데이터 마이닝에서 클러스터링은 객체들이 공간상에서 갖는 거리나, 연관성, 밀도와 같은 지리적 특성에 기반하여 자동으로 유사한 객체들끼리 모아 그룹을 형성하여 준다. 공간 데이터를 사용하는 클러스터링은 특히 이웃 객체와의 관계에 따라 그 결과가 크게 달라질 수 있다. 많은 공간 데이터 클러스터링 기법들은 효과적인 클러스터링을 위해 클러스터의 개수와 같은 사용자가 미리 정해 주어야 하는 변수들과 데이터에 대한 사전 지식이 필요하다. 또한 데이터 집합 내부에 있는 객체들의 분포는 다양한 형태를 가질 수 있음에도 불구하고, 클러스터링 알고리즘들은 원형의 클러스터들을 생성한다. 따라서 본 논문에서는 최소 거리 교차 그래프에 기반한 새로운 클러스터링 알고리즘을 설계·구현하고 데이터 집합에 적용하여 그 결과를 분석해 보고자 한다. 최소 거리교차 그래프는 최단 근접 이웃과의 거리를 반경으로 하여 원을 그렸을 때 서로 교차하면 두 점을 에지로 연결한다. 에지로 연결된 점들은 가까운 거리에 있는 점들로서 클러스터를 형성한다. 최소 거리 교차 그래프에 기반한 클러스터링 알고리즘은 하나의 사용자 입력 변수를 갖고 있는데, 이 값은 클러스터를 생성할 때 이웃 객체들 사이의 거리의 크기를 조정하는 데에 사용되어 클러스터를 작은 단위로 나누는 역할을 한다. 알고리즘의 분석을 위해 2차원의 데이터 집합들에 대하여 실험을 하고, 실험 결과는 제안된 알고리즘이 데이터가 분포된 형태에 가까운 클러스터들을 찾을 수 있고 데이터의 분포 밀도에 관계없이 클러스터를 찾을 수 있음을 보여준다.;Spatial data mining extracts useful, interesting, and implicit knowledge from spatial data which is obtained from various areas like a geographical information systems(GIS), medical equipments, computer cartography, etc. Clustering in spatial data mining is automatically to group of similar objects based on geographic properties which is measured by distance, connectivity, or density between objects in space. Many clustering algorithms require user-specified arguments, for example the number of clusters, and prior knowledges to produce their best results. And despite of real distribution of spatial objects that has arbitrary shape, clustering algorithms tend to make shape of clusters spherical. So this paper designs and implements a new clustering algorithm based on minimum distance intersection graph, and analyzes experimental results on data sets. The Minimum distance intersection graph connects two points by edge if two circles having distance between central point and its nearest neighbor point as a radius intersect. The connected points by edges are similar and build up a cluster. This clustering algorithm needs only one user input parameter which regulates the distance size between two spatial objects, and divide clusters. Experiments about the new clustering algorithm is performed on data sets that contain points in 2D plane and experimental results on these data sets show that our clustering algorithm can discover natural shape of clusters regardless density.