Vidējā nobīde
Vidējā nobīde ir neparametrisks, iteratīvs algoritms režīmu meklēšanai, kas identificē kopas kā zemākās varbūtības blīvuma funkcijas virsotnes. Sākotnēji Fukunaga un Hostetler (1975) to ieviesa gradienta novērtēšanai modeļu atpazīšanā, bet Comaniciu un Meer (2002) to būtiski paplašināja un popularizēja robustai iezīmju telpas analīzei un attēlu segmentācijai. Atšķirībā no k-vidējiem, Vidējā nobīde neprasa iepriekš noteikt kopu skaitu, kopu struktūru iegūstot pilnībā no datu blīvuma.
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
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/lv/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.
- DBSCANMašīnmācīšanās↔ compare
- Hierarhiskā klasterizācijaMašīnmācīšanās↔ compare
- K-means klasterizācijaMašīnmācīšanās↔ compare
- Spektrālā klasterizācijaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →