Ensemble HDBSCAN
Ensemble HDBSCAN uruchamia algorytm HDBSCAN wielokrotnie, stosując różne ustawienia hiperparametrów lub podpróbki danych, a następnie łączy uzyskane partycje w jedno stabilne, konsensusowe grupowanie. Ponieważ HDBSCAN jest wrażliwy na parametry minimalnego rozmiaru klastra (min_cluster_size) i minimalnej liczby próbek (min_samples), połączenie wyników wielu uruchomień znacznie zmniejsza wrażliwość na pojedynczą konfigurację i prowadzi do bardziej powtarzalnych przypisań do klastrów w przypadku zaszumionych danych o wysokiej wymiarowości.
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
- McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
- Vega-Pons, S., & Ruiz-Shulcloper, J. (2011). A survey of clustering ensemble methods. International Journal of Pattern Recognition and Artificial Intelligence, 25(03), 337–372. DOI: 10.1142/S0218001411008683 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/pl/machine-learning/ensemble-hdbscan
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.
- Ensemble K-meansUczenie maszynowe↔ compare
- HDBSCANUczenie maszynowe↔ compare
- Grupowanie K-średnich (K-means Clustering)Uczenie maszynowe↔ compare
- Półnadzorowany HDBSCANUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →