Mean Shift
Mean Shift on mitteparameetriline, iteratiivne režiimi otsiv algoritm, mis tuvastab klastrid tõenäosusjaotuse alusfunktsiooni tippudena. Algselt Fukunaga ja Hostetler (1975) poolt mustrituvastuses gradiendi hindamiseks tutvustatud meetodit laiendasid ja populariseerisid oluliselt Comaniciu ja Meer (2002) robustseks tunnuseruumianalüüsiks ja pilditüükimiseks. Erinevalt k-keskmistest ei nõua Mean Shift klastrite arvu eelnevat määramist, vaid tuletab klastristruktuuri täielikult andmetiheduse põhjal.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/et/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.
- DBSCANMasinõpe↔ compare
- Hierarchical ClusteringMasinõpe↔ compare
- K-keskmiste klasterdamineMasinõpe↔ compare
- SpektraalklasterdamineMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →