Tiešsaistes K-means
Tiešsaistes K-means ir straumēšanas variants klasiskajam K-means algoritmam, kas atjaunina kopu centroidus pa vienam novērojumam — vai nelielās mini-partijās — neuzglabājot visu datu kopu atmiņā. Tas ir īpaši piemērots liela mēroga, reāllaika vai nepārtraukti ienākošiem datiem, kur partijas atkārtota aprēķināšana būtu pārāk lēna vai nepraktiska.
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
- MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Vol. 1, pp. 281–297. University of California Press. link ↗
- Sculley, D. (2010). Web-scale k-means clustering. In Proceedings of the 19th International Conference on World Wide Web (WWW 2010), pp. 1177–1178. ACM. DOI: 10.1145/1772690.1772862 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online K-means Clustering (Sequential / Streaming K-means). ScholarGate. https://scholargate.app/lv/machine-learning/online-k-means
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
- Pašorganizējošā karte (Kohonena karte)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →