Pooljuhitud DBSCAN
Pooljuhitud DBSCAN laiendab kanoonilist tiheduspõhist klastrite moodustamise algoritmi (Ester et al., 1996), kaasates väikese hulga paarikaupa või sildistatud piiranguid — must-link paarid, mis peavad jagama klastrit, cannot-link paarid, mis peavad olema eraldatud, või käputäis teadaolevaid silte —, et suunata klastrite moodustumist, säilitades samal ajal DBSCANi võime avastada suvalise kujuga klastreid ja märgistada mürapunkte.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/et/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.
- DBSCANMasinõpe↔ compare
- HDBSCANMasinõpe↔ compare
- K-keskmiste klasterdamineMasinõpe↔ compare
- Pooljuhendatud Gaussi mudelMasinõpe↔ compare
- Pooljärelevalvega K-meansMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →