Semi-supervised DBSCAN
Semi-supervised DBSCAN proširuje kanonički algoritam klasterovanja zasnovan na gustini (Ester et al., 1996) ugrađivanjem malog skupa parovnih ili etiketnih ograničenja — parovi koje obavezno treba povezati (must-link) koji moraju deliti klaster, parovi koje obavezno treba razdvojiti (cannot-link) koji moraju biti razdvojeni, ili nekolicina poznatih etiketa — da bi se usmerilo formiranje klastera, zadržavajući sposobnost DBSCAN-a da otkriva klastere proizvoljnih oblika i označava tačke šuma.
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
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/sr/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.
- DBSCANMašinsko učenje↔ compare
- HDBSCANMašinsko učenje↔ compare
- K-means algoritam klasterovanjaMašinsko učenje↔ compare
- Polu-nadgledovani model Gausovih mešavinaMašinsko učenje↔ compare
- Polu-nadgledano K-srednjeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →