Mean Shift
Mean Shift er en ikke-parametrisk, iterativ modus-søkende algoritme som identifiserer klynger som toppene i en underliggende sannsynlighetstetthetsfunksjon. Den ble opprinnelig introdusert av Fukunaga og Hostetler (1975) for gradientestimering i mønstergjenkjenning, og ble betydelig utvidet og popularisert av Comaniciu og Meer (2002) for robust analyse i egenskapsrom og bildesegmentering. I motsetning til k-means krever Mean Shift ingen forhåndsspesifikasjon av antall klynger, men utleder klyngestrukturen utelukkende fra datatettheten.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/no/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.
- DBSCANMaskinlæring↔ compare
- Hierarkisk grupperingMaskinlæring↔ compare
- K-means klyngeanalyseMaskinlæring↔ compare
- Spektral klyngeanalyseMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →