Mean Shift
Mean Shift é um algoritmo não paramétrico e iterativo de busca por modo que identifica clusters como os picos de uma função de densidade de probabilidade subjacente. Originalmente introduzido por Fukunaga e Hostetler (1975) para estimação de gradiente em reconhecimento de padrões, foi substancialmente estendido e popularizado por Comaniciu e Meer (2002) para análise robusta de espaço de características e segmentação de imagens. Diferentemente do k-means, Mean Shift não requer especificação prévia do número de clusters, derivando a estrutura de clusters inteiramente da densidade dos dados.
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
- 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
Como citar esta página
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/pt/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.
- DBSCANAprendizado de máquina↔ compare
- Agrupamento HierárquicoAprendizado de máquina↔ compare
- Agrupamento K-meansAprendizado de máquina↔ compare
- Agrupamento EspectralAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →