Mean Shift
Mean Shift je neparametrický, iterativní algoritmus pro vyhledávání módů, který identifikuje shluky jako vrcholy podkladové funkce hustoty pravděpodobnosti. Původně jej představili Fukunaga a Hostetler (1975) pro odhad gradientu v rozpoznávání vzorů, avšak podstatně jej rozšířili a popularizovali Comaniciu a Meer (2002) pro robustní analýzu v prostoru příznaků a segmentaci obrazu. Na rozdíl od algoritmu k-means nevyžaduje Mean Shift předchozí specifikaci počtu shluků; strukturu shluků odvozuje výhradně z hustoty dat.
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
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/cs/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.
- DBSCANStrojové učení↔ compare
- Hierarchické shlukováníStrojové učení↔ compare
- K-means ShlukováníStrojové učení↔ compare
- Spektrální shlukováníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →