Afinitātes propagācijas klasterēšana
Afinitātes propagācija, ko 2007. gadā ieviesa Brendans Frejs un Delberts Djuks, ir klasterēšanas algoritms, kas identificē reprezentatīvus 'eksemplārus' datos, apmainoties ziņojumiem starp katru punktu pāri, līdz izveidojas konsekvents klasteru kopums. Atšķirībā no k-vidējiem, tā neprasa iepriekš noteikt klasteru skaitu — tas izriet no datiem un 'preferenču' parametra — un tā darbojas tieši no pāru līdzībām, kurām nav jābūt metrikai.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Frey, B. J., & Dueck, D. (2007). Clustering by passing messages between data points. Science, 315(5814), 972–976. DOI: 10.1126/science.1136800 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Affinity Propagation Clustering. ScholarGate. https://scholargate.app/lv/machine-learning/affinity-propagation
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.
- DBSCANMašīnmācīšanās↔ compare
- Hierarhiskā klasterizācijaMašīnmācīšanās↔ compare
- K-Means klasterizācijaMašīnmācīšanās↔ compare
- Spektrālā klasterizācijaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →