Ensemble HDBSCAN
Ensemble HDBSCAN führt HDBSCAN mehrmals unter verschiedenen Hyperparameter-Einstellungen oder Datenteilstichproben aus und kombiniert die resultierenden Partitionen zu einer einzigen stabilen Konsens-Clusterbildung. Da HDBSCAN empfindlich auf seine Parameter für minimale Clustergröße und minimale Stichproben reagiert, reduziert die Bündelung mehrerer Läufe die Empfindlichkeit gegenüber einer einzelnen Konfiguration erheblich und liefert reproduzierbarere Clusterzuweisungen auf verrauschten, hochdimensionalen Daten.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/de/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-Means (Ensemble-K-Mittel)Maschinelles Lernen↔ compare
- HDBSCANMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
- Halbüberwachtes HDBSCANMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →