BIRCH — Balanced Iterative Reducing and Clustering using Hierarchies
BIRCH è un algoritmo di clustering incrementale e scalabile introdotto da Zhang, Ramakrishnan e Livny nel 1996. È progettato per raggruppare dataset molto grandi — potenzialmente più grandi della memoria disponibile — in un singolo passaggio, comprimendo i dati in una struttura di riepilogo compatta in memoria chiamata albero CF (Clustering Feature tree) prima di applicare qualsiasi procedura di clustering standard.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Zhang, T., Ramakrishnan, R., & Livny, M. (1996). BIRCH: An efficient data clustering method for very large databases. Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data, 25(2), 103–114. DOI: 10.1145/233269.233324 ↗
- Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed., Ch. 10). Morgan Kaufmann. ISBN: 978-0-12-381479-1
Come citare questa pagina
ScholarGate. (2026, June 3). Balanced Iterative Reducing and Clustering using Hierarchies. ScholarGate. https://scholargate.app/it/machine-learning/birch
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.
- DBSCANApprendimento automatico↔ compare
- Clustering K-meansApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →