BIRCH — Balanceret Iterativ Reduktion og Klyngning ved hjælp af Hierarkier
BIRCH er en skalerbar, inkrementel klyngningsalgoritme introduceret af Zhang, Ramakrishnan og Livny i 1996. Den er designet til at klynge meget store datasæt — potentielt større end tilgængelig hukommelse — i et enkelt gennemløb ved at komprimere dataene til en kompakt hukommelsesbaseret overordningsstruktur kaldet et CF-træ (Clustering Feature tree), før en standard klyngningsprocedure anvendes.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Zhang, T., Ramakrishnan, R., & Livny, M. (1996). BIRCH: An efficient data clustering method for very large databases. Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data, 25(2), 103–114. DOI: 10.1145/233269.233324 ↗
- Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed., Ch. 10). Morgan Kaufmann. ISBN: 978-0-12-381479-1
Sådan citerer du denne side
ScholarGate. (2026, June 3). Balanced Iterative Reducing and Clustering using Hierarchies. ScholarGate. https://scholargate.app/da/machine-learning/birch
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.
- DBSCANMaskinlæring↔ compare
- K-means ClusteringMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →