BIRCH — Balanced Iterative Reducing and Clustering using Hierarchies
BIRCH é um algoritmo de agrupamento escalável e incremental introduzido por Zhang, Ramakrishnan e Livny em 1996. Ele é projetado para agrupar conjuntos de dados muito grandes — potencialmente maiores que a memória disponível — em uma única passagem, comprimindo os dados em uma estrutura de resumo compacta em memória chamada árvore CF (Clustering Feature tree), antes de aplicar qualquer procedimento de agrupamento padrão.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Balanced Iterative Reducing and Clustering using Hierarchies. ScholarGate. https://scholargate.app/pt/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.
- DBSCANAprendizado de máquina↔ compare
- Agrupamento K-meansAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →