Η ημι-επιβλεπόμενη DBSCAN
Η ημι-επιβλεπόμενη DBSCAN επεκτείνει τον κανονικό αλγόριθμο ομαδοποίησης βάσει πυκνότητας (Ester et al., 1996) ενσωματώνοντας ένα μικρό σύνολο περιορισμών ανά ζεύγη ή ετικετών — ζεύγη υποχρεωτικής σύνδεσης που πρέπει να μοιράζονται μια ομάδα, ζεύγη μη-σύνδεσης που πρέπει να διαχωριστούν, ή λίγες γνωστές ετικέτες — για να καθοδηγήσει τον σχηματισμό ομάδων, διατηρώντας παράλληλα την ικανότητα της DBSCAN να ανακαλύπτει ομάδες αυθαίρετων σχημάτων και να επισημαίνει σημεία θορύβου.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/el/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.
- DBSCANΜηχανική Μάθηση↔ compare
- HDBSCANΜηχανική Μάθηση↔ compare
- Ομαδοποίηση K-meansΜηχανική Μάθηση↔ compare
- Ημι-επιβλεπόμενο Γκαουσιανό Μοντέλο ΣυρροήςΜηχανική Μάθηση↔ compare
- Ημι-εποπτευόμενο K-meansΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →