Online DBSCAN
Online DBSCAN udvider den klassiske tæthedsbaserede klyngealgoritme til at håndtere kontinuerligt ankommende datapunkter uden at genklyngere hele datasættet fra bunden. Hver ny observation integreres i den eksisterende klyngestruktur ved hjælp af lokale naboskabsforespørgsler, hvilket gør den praktisk til streaming- og data-warehousing-scenarier, hvor data vokser inkrementelt.
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
- Ester, M., Kriegel, H.-P., Sander, J., Wimmer, M., & Xu, X. (1998). Incremental Clustering for Mining in a Data Warehousing Environment. In Proceedings of the 24th International Conference on Very Large Data Bases (VLDB), pp. 323–333. link ↗
- Cao, F., Ester, M., Qian, W., & Zhou, A. (2006). Density-Based Clustering over an Evolving Data Stream with Noise. In Proceedings of the 2006 SIAM International Conference on Data Mining (SDM), pp. 328–339. DOI: 10.1137/1.9781611972764.29 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Online Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/da/machine-learning/online-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.
- DBSCANMaskinlæring↔ compare
- HDBSCANMaskinlæring↔ compare
- Online Gaussian Mixture ModelMaskinlæring↔ compare
- Online K-meansMaskinlæring↔ compare
- Online læringMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →