Ensemble HDBSCAN
Ensemble HDBSCAN kör HDBSCAN flera gånger med olika hyperparameterinställningar eller datadelmängder och kombinerar de resulterande partitionerna till en enda stabil konsensusklustring. Eftersom HDBSCAN är känsligt för sina parametrar för minsta klusterstorlek och minsta antal sampel, minskar poolning av flera körningar avsevärt känsligheten för en enskild konfiguration och ger mer reproducerbara klusteruppdelningar på brusiga, högdimensionella data.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Ensemble Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/sv/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-meansMaskininlärning↔ compare
- HDBSCANMaskininlärning↔ compare
- K-means-klustringMaskininlärning↔ compare
- Semi-övervakad HDBSCANMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →