Spostamento Medio
Mean Shift è un algoritmo non parametrico e iterativo di ricerca dei modi (mode-seeking) che identifica i cluster come i picchi di una sottostante funzione di densità di probabilità. Introdotto originariamente da Fukunaga e Hostetler (1975) per la stima del gradiente nel riconoscimento di pattern, è stato sostanzialmente esteso e reso popolare da Comaniciu e Meer (2002) per l'analisi robusta dello spazio delle feature e la segmentazione di immagini. A differenza di k-means, Mean Shift non richiede una pre-specificazione del numero di cluster, derivando la struttura dei cluster interamente dalla densità dei dati.
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
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/it/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.
- DBSCANApprendimento automatico↔ compare
- Clustering gerarchicoApprendimento automatico↔ compare
- Clustering K-meansApprendimento automatico↔ compare
- Spectral ClusteringApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →