Semi-supervizované shlukování K-means
Semi-supervizované shlukování K-means rozšiřuje standardní shlukování K-means o částečný dohled – buď malou sadu označených počátečních bodů, nebo párová omezení typu must-link a cannot-link – aby vedlo k tvorbě shluků. Překlenuje tak propast mezi shlukováním bez dohledu a plně supervizovanou klasifikací, což umožňuje vytvářet smysluplnější shluky v situacích, kdy jsou štítky vzácné, ale jejich úplné získání je nákladné.
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
- Wagstaff, K., Cardie, C., Rogers, S., & Schroedl, S. (2001). Constrained K-means Clustering with Background Knowledge. In Proceedings of the 18th International Conference on Machine Learning (ICML 2001), pp. 577–584. link ↗
- Basu, S., Banerjee, A., & Mooney, R. J. (2002). Semi-supervised Clustering by Seeding. In Proceedings of the 19th International Conference on Machine Learning (ICML 2002), pp. 27–34. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised K-means Clustering. ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-k-means
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.
- Aktivní učeníStrojové učení↔ compare
- DBSCANStrojové učení↔ compare
- K-means ShlukováníStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Spektrální shlukováníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →