Mean Shift
Mean Shift er en ikke-parametrisk, iterativ algoritme til søgning efter modes (toppe), der identificerer klynger som toppe i en underliggende sandsynlighedstæthedsfunktion. Oprindeligt introduceret af Fukunaga og Hostetler (1975) til gradientestimering inden for mønstergenkendelse, blev den væsentligt udvidet og populariseret af Comaniciu og Meer (2002) til robust feature-space analyse og billedsegmentering. I modsætning til k-means kræver Mean Shift ingen forudgående specifikation af antallet af klynger, men udleder klyngestrukturen udelukkende fra datatætheden.
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
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/da/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.
- DBSCANMaskinlæring↔ compare
- Hierarkisk grupperingMaskinlæring↔ compare
- K-means ClusteringMaskinlæring↔ compare
- Spektral klyngedannelseMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →