Machine learningMachine learning
준지도학습 DBSCAN
준지도학습 DBSCAN은 소수의 쌍 제약 또는 레이블 제약 — 반드시 같은 클러스터에 속해야 하는 must-link 쌍, 분리되어야 하는 cannot-link 쌍, 또는 몇 개의 알려진 레이블 — 을 통합하여 클러스터 형성을 유도하는 동시에, DBSCAN의 임의 모양 클러스터 발견 능력과 노이즈 포인트 식별 능력을 유지하는 표준 밀도 기반 클러스터링 알고리즘(Ester et al., 1996)을 확장한 것입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-7
이 페이지 인용 방법
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/ko/machine-learning/semi-supervised-dbscan
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.
- DBSCAN머신러닝↔ compare
- HDBSCAN머신러닝↔ compare
- K-means 군집화머신러닝↔ compare
- 준지도 가우시안 혼합 모형머신러닝↔ compare
- 준지도 학습 K-평균 (Semi-supervised K-means)머신러닝↔ compare