Полуавтоматический DBSCAN
Полуавтоматический DBSCAN расширяет канонический алгоритм кластеризации на основе плотности (Ester et al., 1996), включая небольшой набор парных или помеченных ограничений — пары «должны быть вместе», которые должны находиться в одном кластере, пары «не должны быть вместе», которые должны быть разделены, или несколько известных меток — для управления формированием кластеров, сохраняя при этом способность DBSCAN обнаруживать кластеры произвольной формы и помечать точки шума.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/ru/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.
- DBSCANМашинное обучение↔ compare
- HDBSCANМашинное обучение↔ compare
- Кластеризация методом k-среднихМашинное обучение↔ compare
- Полуавтоматическая Гауссова Смесь (SS-GMM)Машинное обучение↔ compare
- Полуавтоматический K-среднихМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →