Semi-überwachtes K-Means
Semi-überwachtes K-Means erweitert das Standard-K-Means-Clustering durch die Einbeziehung partieller Überwachung – entweder eines kleinen Satzes markierter Startpunkte (Seed-Punkte) oder paarweiser Must-Link- und Cannot-Link-Constraints –, um die Clusterbildung zu steuern. Es schlägt eine Brücke zwischen unüberwachtem Clustering und vollständig überwachter Klassifikation und ermöglicht aussagekräftigere Cluster, wenn Labels knapp, aber deren vollständige Beschaffung kostspielig ist.
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
- Wagstaff, K., Cardie, C., Rogers, S., & Schroedl, S. (2001). Constrained K-means Clustering with Background Knowledge. In Proceedings of the 18th International Conference on Machine Learning (ICML 2001), pp. 577–584. link ↗
- Basu, S., Banerjee, A., & Mooney, R. J. (2002). Semi-supervised Clustering by Seeding. In Proceedings of the 19th International Conference on Machine Learning (ICML 2002), pp. 27–34. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised K-means Clustering. ScholarGate. https://scholargate.app/de/machine-learning/semi-supervised-k-means
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.
- Aktives LernenMaschinelles Lernen↔ compare
- DBSCANMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Spektrale ClusteranalyseMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →