Mean Shift
Mean Shift adalah algoritma pencarian modus non-parametrik iteratif yang mengidentifikasi klaster sebagai puncak dari fungsi kepadatan probabilitas yang mendasarinya. Awalnya diperkenalkan oleh Fukunaga dan Hostetler (1975) untuk estimasi gradien dalam pengenalan pola, algoritma ini diperluas secara substansial dan dipopulerkan oleh Comaniciu dan Meer (2002) untuk analisis ruang fitur yang kuat dan segmentasi gambar. Berbeda dengan k-means, Mean Shift tidak memerlukan spesifikasi jumlah klaster sebelumnya, melainkan menurunkan struktur klaster sepenuhnya dari kepadatan data.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/id/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.
- DBSCANPembelajaran Mesin↔ compare
- Pengelompokan HirarkisPembelajaran Mesin↔ compare
- Clustering K-meansPembelajaran Mesin↔ compare
- Spectral ClusteringPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →