BIRCH — Zrównoważone Iteracyjne Redukowanie i Klastrowanie z Wykorzystaniem Hierarchii
BIRCH to skalowalny, przyrostowy algorytm klastrowania wprowadzony przez Zhanga, Ramakrishnana i Livny'ego w 1996 roku. Jest zaprojektowany do klastrowania bardzo dużych zbiorów danych — potencjalnie większych niż dostępna pamięć — w jednym przebiegu, poprzez kompresję danych do zwartej struktury podsumowującej w pamięci, zwanej drzewem CF (Clustering Feature tree), przed zastosowaniem dowolnej standardowej procedury klastrowania.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Balanced Iterative Reducing and Clustering using Hierarchies. ScholarGate. https://scholargate.app/pl/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.
- DBSCANUczenie maszynowe↔ compare
- Grupowanie K-średnich (K-means Clustering)Uczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →