K-means semi-supervisé
Le K-means semi-supervisé étend le clustering K-means standard en intégrant une supervision partielle — soit un petit ensemble de points de départ étiquetés, soit des contraintes par paires de type « doivent être liés » (must-link) et « ne doivent pas être liés » (cannot-link) — pour guider la formation des clusters. Il fait le pont entre le clustering non supervisé et la classification entièrement supervisée, permettant des clusters plus significatifs lorsque les étiquettes sont rares mais coûteuses à obtenir dans leur intégralité.
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
- Wagstaff, K., Cardie, C., Rogers, S., & Schroedl, S. (2001). Constrained K-means Clustering with Background Knowledge. In Proceedings of the 18th International Conference on Machine Learning (ICML 2001), pp. 577–584. link ↗
- Basu, S., Banerjee, A., & Mooney, R. J. (2002). Semi-supervised Clustering by Seeding. In Proceedings of the 19th International Conference on Machine Learning (ICML 2002), pp. 27–34. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised K-means Clustering. ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-k-means
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.
- Apprentissage actifApprentissage automatique↔ compare
- DBSCANApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Spectral ClusteringApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →