DBSCAN semi-supervisé
Le DBSCAN semi-supervisé étend l'algorithme canonique de clustering basé sur la densité (Ester et al., 1996) en incorporant un petit ensemble de contraintes par paires ou d'étiquettes — paires « must-link » qui doivent partager un cluster, paires « cannot-link » qui doivent être séparées, ou une poignée d'étiquettes connues — pour guider la formation des clusters tout en conservant la capacité du DBSCAN à découvrir des clusters de forme arbitraire et à signaler les points de bruit.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/fr/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.
- DBSCANApprentissage automatique↔ compare
- HDBSCANApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Modèle gaussien de mélange semi-superviséApprentissage automatique↔ compare
- K-means semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →