Полу-наблюдавано DBSCAN
Полу-наблюдавано DBSCAN разширява каноничния алгоритъм за клъстериране, базиран на плътност (Ester et al., 1996), като включва малък набор от двойкови или етикетни ограничения — двойки „трябва да са заедно“, които трябва да споделят клъстер, двойки „не трябва да са заедно“, които трябва да бъдат разделени, или няколко известни етикета — за насочване на формирането на клъстери, като същевременно запазва способността на DBSCAN да открива клъстери с произволна форма и да маркира точки като шум.
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
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-7
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/bg/machine-learning/semi-supervised-dbscan
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
- HDBSCANМашинно обучение↔ compare
- K-means клъстеризацияМашинно обучение↔ compare
- Полу-наблюдаван Гаусов смесен моделМашинно обучение↔ compare
- Полу-наблюдавано K-средниМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →