BIRCH — Balanced Iterative Reducing and Clustering using Hierarchies
BIRCH är en skalbar, inkrementell klustringsalgoritm som introducerades av Zhang, Ramakrishnan och Livny 1996. Den är utformad för att klustra mycket stora datamängder – potentiellt större än tillgängligt minne – i en enda genomgång, genom att komprimera data till en kompakt minnesintern sammanfattningsstruktur kallad ett CF-träd (Clustering Feature tree) innan någon standardiserad klustringsprocedur tillämpas.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Zhang, T., Ramakrishnan, R., & Livny, M. (1996). BIRCH: An efficient data clustering method for very large databases. Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data, 25(2), 103–114. DOI: 10.1145/233269.233324 ↗
- Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed., Ch. 10). Morgan Kaufmann. ISBN: 978-0-12-381479-1
Så citerar du den här sidan
ScholarGate. (2026, June 3). Balanced Iterative Reducing and Clustering using Hierarchies. ScholarGate. https://scholargate.app/sv/machine-learning/birch
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.
- DBSCANMaskininlärning↔ compare
- K-means-klustringMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →