DBSCAN semi-supervizat
DBSCAN semi-supervizat extinde algoritmul canonic de clustering bazat pe densitate (Ester et al., 1996) prin încorporarea unui set mic de constrângeri pereche sau de etichete — perechi „trebuie să fie legate” care trebuie să împartă un cluster, perechi „nu trebuie să fie legate” care trebuie separate, sau un număr mic de etichete cunoscute — pentru a ghida formarea clusterelor, păstrând în același timp capacitatea DBSCAN de a descoperi clustere cu forme arbitrare și de a semnala punctele de zgomot.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/ro/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.
- DBSCANÎnvățare automată↔ compare
- HDBSCANÎnvățare automată↔ compare
- Clustering K-meansÎnvățare automată↔ compare
- Modelul Gaussian Mixt Semi-SupervizatÎnvățare automată↔ compare
- K-means semi-supervizatÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →