Półnadzorowany DBSCAN
Półnadzorowany DBSCAN rozszerza kanoniczny algorytm klasteryzacji oparty na gęstości (Ester i in., 1996) poprzez włączenie niewielkiego zbioru ograniczeń parami lub etykiet — pary „muszą się łączyć”, które muszą należeć do tego samego klastra, pary „nie mogą się łączyć”, które muszą być rozdzielone, lub garstki znanych etykiet — aby kierować tworzeniem klastrów, zachowując jednocześnie zdolność DBSCAN do odkrywania klastrów o dowolnych kształtach i oznaczania punktów szumu.
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
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-7
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/pl/machine-learning/semi-supervised-dbscan
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
- HDBSCANUczenie maszynowe↔ compare
- Grupowanie K-średnich (K-means Clustering)Uczenie maszynowe↔ compare
- Półnadzorowany model mieszanin GaussaUczenie maszynowe↔ compare
- Półnadzorowane K-meansUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →