Halbüberwachtes DBSCAN
Semi-supervised DBSCAN erweitert den kanonischen dichte-basierten Clustering-Algorithmus (Ester et al., 1996) durch die Einbeziehung einer kleinen Menge von paarweisen oder Label-Beschränkungen – Must-Link-Paare, die einen Cluster teilen müssen, Cannot-Link-Paare, die getrennt sein müssen, oder eine Handvoll bekannter Labels –, um die Clusterbildung zu steuern und gleichzeitig die Fähigkeit von DBSCAN zu erhalten, beliebige Clusterformen zu entdecken und Rauschpunkte zu kennzeichnen.
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
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-7
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-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.
- DBSCANMaschinelles Lernen↔ compare
- HDBSCANMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
- Halb-überwachtes Gaußsches MischmodellMaschinelles Lernen↔ compare
- Semi-überwachtes K-MeansMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →