Polosupervidovaný DBSCAN
Semi-supervised DBSCAN rozširuje kanonický algoritmus zhlukovania založený na hustote (Ester et al., 1996) začlenením malej sady párových alebo etiketových obmedzení — páry typu „must-link“, ktoré musia zdieľať zhluk, páry typu „cannot-link“, ktoré musia byť oddelené, alebo niekoľko známych etikiet — na usmernenie tvorby zhlukov pri zachovaní schopnosti DBSCAN objavovať zhluky ľubovoľných tvarov a označovať odľahlé body.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/sk/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.
- DBSCANStrojové učenie↔ compare
- HDBSCANStrojové učenie↔ compare
- Zhlukovanie K-meansStrojové učenie↔ compare
- Polosupervízny Gaussovský model zmesíStrojové učenie↔ compare
- Poloučité učenie K-meansStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →