Mean Shift
Mean Shift je neparametarski, iterativni algoritam za traženje modusa koji klastere identificira kao vršne točke (mode) podložne funkcije gustoće vjerojatnosti. Izvorno ga je uveo Fukunaga i Hostetler (1975.) za procjenu gradijenta u prepoznavanju uzoraka, a značajno su ga proširili i popularizirali Comaniciu i Meer (2002.) za robusnu analizu prostora značajki i segmentaciju slika. Za razliku od k-means, Mean Shift ne zahtijeva prethodno određivanje broja klastera, već strukturu klastera izvodi isključivo iz gustoće podataka.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Fukunaga, K. & Hostetler, L. D. (1975). The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on Information Theory, 21(1), 32–40. DOI: 10.1109/TIT.1975.1055330 ↗
- Comaniciu, D. & Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(5), 603–619. DOI: 10.1109/34.1000236 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 14). Springer. ISBN: 978-0-387-84858-7
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/hr/machine-learning/mean-shift
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.
- DBSCANStrojno učenje↔ compare
- Hijerarhijsko grupiranjeStrojno učenje↔ compare
- Grupna analiza K-meansStrojno učenje↔ compare
- Spektralno grupiranjeStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →