Mean Shift
Mean Shift е нонпараметричен, итеративен алгоритъм за търсене на модовете, който идентифицира клъстери като върхове на подлежаща функция на плътност на вероятността. Първоначално въведен от Fukunaga и Hostetler (1975) за оценка на градиента в разпознаването на образи, той е съществено разширен и популяризиран от Comaniciu и Meer (2002) за робастен анализ на признаковото пространство и сегментация на изображения. За разлика от k-means, Mean Shift не изисква предварително задаване на броя на клъстерите, като извежда структурата на клъстерите изцяло от плътността на данните.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Fukunaga, K. & Hostetler, L. D. (1975). The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on Information Theory, 21(1), 32–40. DOI: 10.1109/TIT.1975.1055330 ↗
- Comaniciu, D. & Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(5), 603–619. DOI: 10.1109/34.1000236 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 14). Springer. ISBN: 978-0-387-84858-7
Как да цитирате тази страница
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/bg/machine-learning/mean-shift
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DBSCANМашинно обучение↔ compare
- Йерархично групиранеМашинно обучение↔ compare
- K-means клъстеризацияМашинно обучение↔ compare
- Спектрално клъстериранеМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →