DBSCAN Semi-supervisionado
O DBSCAN Semi-supervisionado estende o algoritmo canônico de clusterização baseado em densidade (Ester et al., 1996) incorporando um pequeno conjunto de restrições par a par ou de rótulos — pares 'devem ligar' (must-link) que devem compartilhar um cluster, pares 'não devem ligar' (cannot-link) que devem ser separados, ou um punhado de rótulos conhecidos — para guiar a formação de clusters, retendo a capacidade do DBSCAN de descobrir clusters de formas arbitrárias e sinalizar pontos de ruído.
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
- 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
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/pt/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.
- DBSCANAprendizado de máquina↔ compare
- HDBSCANAprendizado de máquina↔ compare
- Agrupamento K-meansAprendizado de máquina↔ compare
- Modelo Gaussiano de Mistura Semi-supervisionadoAprendizado de máquina↔ compare
- K-means semi-supervisionadoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →