BIRCH — Balanced Iterative Reducing and Clustering using Hierarchies
BIRCH ist ein skalierbarer, inkrementeller Clustering-Algorithmus, der 1996 von Zhang, Ramakrishnan und Livny eingeführt wurde. Er wurde entwickelt, um sehr große Datensätze – potenziell größer als der verfügbare Speicher – in einem einzigen Durchlauf zu clustern, indem die Daten in einer kompakten In-Memory-Zusammenfassungsstruktur, dem CF-Tree (Clustering Feature tree), komprimiert werden, bevor ein Standard-Clustering-Verfahren angewendet wird.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Balanced Iterative Reducing and Clustering using Hierarchies. ScholarGate. https://scholargate.app/de/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.
- DBSCANMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →