Ensemble HDBSCAN
Ensemble HDBSCAN pokreće HDBSCAN više puta pod različitim podešavanjima hiperparametra ili poduzorcima podataka i kombinuje rezultujuće particije u jedno stabilno konsenzusno klasterovanje. Budući da je HDBSCAN osetljiv na svoje parametre minimalne veličine klastera (minimum cluster size) i minimalnog broja uzoraka (minimum samples), kombinovanje više pokretanja uveliko smanjuje osetljivost na bilo koju pojedinačnu konfiguraciju i daje reproduktivnije dodeljivanje klastera na šumnim, visokodimenzionalnim podacima.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
- Vega-Pons, S., & Ruiz-Shulcloper, J. (2011). A survey of clustering ensemble methods. International Journal of Pattern Recognition and Artificial Intelligence, 25(03), 337–372. DOI: 10.1142/S0218001411008683 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/sr/machine-learning/ensemble-hdbscan
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.
- Ensemble K-meansMašinsko učenje↔ compare
- HDBSCANMašinsko učenje↔ compare
- K-means algoritam klasterovanjaMašinsko učenje↔ compare
- Polu-nadgledano HDBSCANMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →