Ensemble HDBSCAN
Ensemble HDBSCAN ejecuta HDBSCAN múltiples veces bajo diferentes configuraciones de hiperparámetros o submuestras de datos y combina las particiones resultantes en un agrupamiento de consenso único y estable. Dado que HDBSCAN es sensible a sus parámetros de tamaño mínimo de clúster y número mínimo de muestras, agrupar múltiples ejecuciones reduce en gran medida la sensibilidad a cualquier configuración individual y produce asignaciones de clústeres más reproducibles en datos ruidosos y de alta dimensionalidad.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/es/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.
- K-means de conjuntoAprendizaje automático↔ compare
- HDBSCANAprendizaje automático↔ compare
- Agrupamiento K-mediasAprendizaje automático↔ compare
- HDBSCAN semisupervisadoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →