DBSCAN ar daļēju uzraudzību
DBSCAN ar daļēju uzraudzību paplašina kanonisko blīvuma balstītu grupēšanas algoritmu (Ester et al., 1996), iekļaujot nelielu skaitu pāru vai etiķešu ierobežojumu — obligāti saistīti pāri, kuriem jābūt vienā grupā, neobligāti saistīti pāri, kuriem jābūt atdalītiem, vai nelielu skaitu zināmu etiķešu — lai virzītu grupu veidošanos, vienlaikus saglabājot DBSCAN spēju atklāt patvaļīgas formas grupas un atzīmēt trokšņa punktus.
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
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/lv/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.
- DBSCANMašīnmācīšanās↔ compare
- HDBSCANMašīnmācīšanās↔ compare
- K-means klasterizācijaMašīnmācīšanās↔ compare
- Pusuzraudzības Gausa maisījuma modelisMašīnmācīšanās↔ compare
- Daļēji uzraudzīti K-vidējieMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →