Ensemble HDBSCAN
Ensemble HDBSCAN provádí algoritmus HDBSCAN opakovaně s různými nastaveními hyperparametrů nebo podvzorky dat a výsledné partice kombinuje do jednoho stabilního konsensuálního shlukování. Protože HDBSCAN je citlivý na parametry minimální velikosti shluku (minimum cluster size) a minimálního počtu vzorků (minimum samples), sdružování více běhů výrazně snižuje citlivost na jakoukoli jednotlivou konfiguraci a poskytuje reprodukovatelnější přiřazení shluků na šumivých, vysoce dimenzionálních datech.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
- Vega-Pons, S., & Ruiz-Shulcloper, J. (2011). A survey of clustering ensemble methods. International Journal of Pattern Recognition and Artificial Intelligence, 25(03), 337–372. DOI: 10.1142/S0218001411008683 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/cs/machine-learning/ensemble-hdbscan
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.
- Ensemble K-meansStrojové učení↔ compare
- HDBSCANStrojové učení↔ compare
- K-means ShlukováníStrojové učení↔ compare
- Semi-supervised HDBSCANStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →