Semi-supervised DBSCAN
Semi-supervised DBSCAN laajentaa kanonista tiheyspohjaista klusterointialgoritmia (Ester et al., 1996) sisällyttämällä pienen joukon parittaisia tai luokkarajoitteita — pakolliset linkit, joiden täytyy jakaa klusteri, kielletyt linkit, jotka on erotettava, tai kourallinen tunnettuja luokkia — ohjaamaan klusterin muodostumista samalla kun säilytetään DBSCANin kyky löytää mielivaltaisen muotoisia klustereita ja merkitä kohinapisteitä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/fi/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.
- DBSCANKoneoppiminen↔ compare
- HDBSCANKoneoppiminen↔ compare
- K-means-klusterointiKoneoppiminen↔ compare
- Puolivalvottu Gaussinen sekoitusmalliKoneoppiminen↔ compare
- Puoliohjaava K-meansKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →