Mean Shift
Mean Shift je neparametarski, iterativni algoritam za traženje modusa koji klastere identifikuje kao vršne tačke (peak) osnovne funkcije gustine verovatnoće. Originalno uveden od strane Fukunaga i Hostetler (1975) za procenu gradijenta u prepoznavanju obrazaca, značajno je proširen i popularizovan od strane Comaniciu i Meer (2002) za robusnu analizu prostora atributa i segmentaciju slika. Za razliku od k-means, Mean Shift ne zahteva prethodno definisanje broja klastera, već iz njega izvodi strukturu klastera isključivo iz gustine podataka.
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
- Fukunaga, K. & Hostetler, L. D. (1975). The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on Information Theory, 21(1), 32–40. DOI: 10.1109/TIT.1975.1055330 ↗
- Comaniciu, D. & Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(5), 603–619. DOI: 10.1109/34.1000236 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 14). Springer. ISBN: 978-0-387-84858-7
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/sr/machine-learning/mean-shift
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.
- DBSCANMašinsko učenje↔ compare
- Hijerarhijsko grupisanjeMašinsko učenje↔ compare
- K-means algoritam klasterovanjaMašinsko učenje↔ compare
- Спектрално груписањеMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →