Semi-supervidované DBSCAN
Semi-supervidované DBSCAN rozšiřuje kanonický algoritmus shlukování založený na hustotě (Ester et al., 1996) o malou sadu párových nebo štítkových omezení — must-link páry, které musí sdílet shluk, cannot-link páry, které musí být odděleny, nebo hrstku známých štítků — aby vedl tvorbu shluků při zachování schopnosti DBSCANu objevovat shluky libovolného tvaru a označovat šumové body.
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
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/cs/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.
- DBSCANStrojové učení↔ compare
- HDBSCANStrojové učení↔ compare
- K-means ShlukováníStrojové učení↔ compare
- Polo-přidružený Gaussovský směsný modelStrojové učení↔ compare
- Semi-supervizované shlukování K-meansStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →