Mean Shift
Mean Shift ist ein nicht-parametrischer, iterativer Algorithmus zur Modensuche, der Cluster als Gipfel einer zugrundeliegenden Wahrscheinlichkeitsdichtefunktion identifiziert. Ursprünglich von Fukunaga und Hostetler (1975) zur Gradientenschätzung in der Mustererkennung eingeführt, wurde er von Comaniciu und Meer (2002) für die robuste Merkmalsraumanalyse und Bildsegmentierung maßgeblich erweitert und popularisiert. Im Gegensatz zu k-Means erfordert Mean Shift keine vorherige Angabe der Clusteranzahl, sondern leitet die Clusterstruktur vollständig aus der Datendichte ab.
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
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/de/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.
- DBSCANMaschinelles Lernen↔ compare
- Hierarchische ClusteranalyseMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
- Spektrale ClusteranalyseMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →