Ensemble HDBSCAN
Ensemble HDBSCAN kører HDBSCAN flere gange under forskellige hyperparameterindstillinger eller datasubsamples og kombinerer de resulterende partitioner til en enkelt stabil konsensus-clustering. Da HDBSCAN er følsom over for dens parametre for minimum klyngestørrelse og minimum antal punkter, reducerer pooling af flere kørsler følsomheden over for enhver enkelt konfiguration og giver mere reproducerbare klyngetildelinger på støjende, højdimensionelle data.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/da/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-meansMaskinlæring↔ compare
- HDBSCANMaskinlæring↔ compare
- K-means ClusteringMaskinlæring↔ compare
- Semi-supervised HDBSCANMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →