Mean Shift
Mean Shift یک الگوریتم غیرپارامتری و تکراری برای یافتن مُد (mode) است که خوشهها را به عنوان قلههای تابع چگالی احتمال زیربنایی شناسایی میکند. این الگوریتم که در ابتدا توسط Fukunaga و Hostetler (1975) برای تخمین گرادیان در بازشناسی الگو معرفی شد، به طور قابل توجهی توسط Comaniciu و Meer (2002) برای تحلیل قوی فضای ویژگی و بخشبندی تصویر گسترش یافت و محبوب شد. برخلاف k-means، Mean Shift نیازی به تعیین پیشینی تعداد خوشهها ندارد و ساختار خوشه را کاملاً از چگالی دادهها استخراج میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/fa/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.
- دیبیاسکنیادگیری ماشین↔ compare
- خوشهبندی سلسلهمراتبییادگیری ماشین↔ compare
- خوشهبندی K-meansیادگیری ماشین↔ compare
- خوشهبندی طیفی (Spectral Clustering)یادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →