OPTICS: Ordering Points To Identify the Clustering Structure
Kuvittele käveleväsi pisteiden maisemassa: siirryt aina lähimpään vierailemattomaan naapuriin, joka on saavutettavissa riittävän tiheästä pisteestä. Etäisyys, jolla joudut venyttämään saavuttaaksesi seuraavan pisteen – saavutettavuusetäisyys – tallennetaan kävelyn aikana. Näiden tallennettujen etäisyyksien piirtäminen kävelyjärjestyksessä tuottaa saavutettavuuskuvaajan: laaksot vastaavat tiheitä klustereita ja laaksojen väliset seinämät merkitsevät klusterien rajoja. Yksi OPTICS-ajo tallentaa kaikki nämä laaksot kerralla, kun taas DBSCAN vaatisi erillisen ajon jokaiselle tiheystasolle, jota haluaisit tutkia.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Ankerst, M., Breunig, M. M., Kriegel, H.-P., & Sander, J. (1999). OPTICS: Ordering points to identify the clustering structure. ACM SIGMOD Record, 28(2), 49–60. DOI: 10.1145/304181.304187 ↗
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), 226–231. link ↗
- Aggarwal, C. C., & Reddy, C. K. (Eds.) (2013). Data Clustering: Algorithms and Applications (Ch. 4). CRC Press. ISBN: 978-1-4665-5821-2
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). OPTICS: Ordering Points To Identify the Clustering Structure. ScholarGate. https://scholargate.app/fi/machine-learning/optics
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
- HDBSCANKoneoppiminen↔ compare
- Hierarkkinen ryvästyminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →