Affinity Propagation -klusterointi
Affinity propagation, jonka Brendan Frey ja Delbert Dueck esittelivät vuonna 2007, on klusterointialgoritmi, joka tunnistaa edustavia 'esimerkkejä' datasta välittämällä viestejä jokaisen datapiste-pariskunnan välillä, kunnes johdonmukainen joukko klustereita muodostuu. Toisin kuin k-means, se ei vaadi klusterien lukumäärän määrittämistä etukäteen – tämä lukumäärä syntyy datasta ja 'preferenssi'-parametrasta – ja se toimii suoraan parittaisten samankaltaisuuksien perusteella, joiden ei tarvitse olla metrisiä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Frey, B. J., & Dueck, D. (2007). Clustering by passing messages between data points. Science, 315(5814), 972–976. DOI: 10.1126/science.1136800 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Affinity Propagation Clustering. ScholarGate. https://scholargate.app/fi/machine-learning/affinity-propagation
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.
- DBSCANKoneoppiminen↔ compare
- Hierarkkinen ryvästyminenKoneoppiminen↔ compare
- K-Means-klusterointiKoneoppiminen↔ compare
- Spektrinen klusterointiKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →