OPTICS
Az OPTICS (Ordering Points To Identify the Clustering Structure) egy sűrűségalapú klaszterező algoritmus, amelyet Ankerst, Breunig, Kriegel és Sander vezetett be 1999-ben. Általánosítja a DBSCAN-t azáltal, hogy a pontokat egy olyan sorrendben dolgozza fel, amely kódolja az adathalmaz teljes sűrűségalapú klaszterszerkezetét, lehetővé téve a változó sűrűségű klaszterek felismerését egy elérhetőségi diagram (reachability plot) segítségével, ahelyett, hogy rögzített globális sűrűségi küszöbértékre lenne szükség.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). OPTICS: Ordering Points To Identify the Clustering Structure. ScholarGate. https://scholargate.app/hu/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.
- DBSCANGépi tanulás↔ compare
- HDBSCANGépi tanulás↔ compare
- Hierarchikus klaszterezésGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →