OPTICS
OPTICS (Ordering Points To Identify the Clustering Structure) är en densitetsbaserad klustringsalgoritm som introducerades av Ankerst, Breunig, Kriegel och Sander år 1999. Den generaliserar DBSCAN genom att bearbeta punkter i en ordning som kodar för datamängdens fullständiga densitetsbaserade klusterstruktur, vilket möjliggör detektion av kluster med varierande densiteter genom en räckviddsplott snarare än att kräva en fast global densitetströskel.
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
- Ankerst, M., Breunig, M. M., Kriegel, H.-P., & Sander, J. (1999). OPTICS: Ordering points to identify the clustering structure. ACM SIGMOD Record, 28(2), 49–60. DOI: 10.1145/304181.304187 ↗
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), 226–231. link ↗
- Aggarwal, C. C., & Reddy, C. K. (Eds.) (2013). Data Clustering: Algorithms and Applications (Ch. 4). CRC Press. ISBN: 978-1-4665-5821-2
Så citerar du den här sidan
ScholarGate. (2026, June 3). OPTICS: Ordering Points To Identify the Clustering Structure. ScholarGate. https://scholargate.app/sv/machine-learning/optics
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
- HDBSCANMaskininlärning↔ compare
- Hierarkisk klustringMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →