Mean Shift
Mean Shift to nieparametryczny, iteracyjny algorytm poszukiwania dominanty (mody), który identyfikuje klastry jako szczyty bazowej funkcji gęstości prawdopodobieństwa. Pierwotnie wprowadzony przez Fukunagę i Hostetelera (1975) do estymacji gradientu w rozpoznawaniu wzorców, został znacząco rozszerzony i spopularyzowany przez Comaniciu i Meera (2002) do solidnej analizy przestrzeni cech i segmentacji obrazów. W przeciwieństwie do algorytmu k-means, Mean Shift nie wymaga wcześniejszego określania liczby klastrów, wyprowadzając strukturę klastrów wyłącznie z gęstości danych.
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
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/pl/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.
- DBSCANUczenie maszynowe↔ compare
- Klasteryzacja hierarchicznaUczenie maszynowe↔ compare
- Grupowanie K-średnich (K-means Clustering)Uczenie maszynowe↔ compare
- Klastrowanie spektralneUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →