BIRCH — Balanced Iterative Reducing and Clustering using Hierarchies
BIRCH is een schaalbaar, incrementeel clusteringalgoritme geïntroduceerd door Zhang, Ramakrishnan en Livny in 1996. Het is ontworpen om zeer grote datasets — potentieel groter dan het beschikbare geheugen — in één enkele pass te clusteren, door de data te comprimeren tot een compacte in-memory samenvattingsstructuur, een CF-boom (Clustering Feature tree) genaamd, alvorens enige standaard clusteringprocedure toe te passen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Zhang, T., Ramakrishnan, R., & Livny, M. (1996). BIRCH: An efficient data clustering method for very large databases. Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data, 25(2), 103–114. DOI: 10.1145/233269.233324 ↗
- Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed., Ch. 10). Morgan Kaufmann. ISBN: 978-0-12-381479-1
Deze pagina citeren
ScholarGate. (2026, June 3). Balanced Iterative Reducing and Clustering using Hierarchies. ScholarGate. https://scholargate.app/nl/machine-learning/birch
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.
- DBSCANMachine learning↔ compare
- K-means ClusteringMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →