Semi-supervised DBSCAN
Semi-supervised DBSCAN utökar den kanoniska densitetsbaserade klusteralgoritmen (Ester et al., 1996) genom att införliva en liten uppsättning parvisa eller etikettbaserade restriktioner – must-link-par som måste dela ett kluster, cannot-link-par som måste separeras, eller ett fåtal kända etiketter – för att styra klusterbildningen samtidigt som DBSCAN:s förmåga att upptäcka godtyckligt formade kluster och flagga brus bibehålls.
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
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/sv/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.
- DBSCANMaskininlärning↔ compare
- HDBSCANMaskininlärning↔ compare
- K-means-klustringMaskininlärning↔ compare
- Semi-övervakad Gaussisk blandningsmodellMaskininlärning↔ compare
- Halvövervakad K-meansMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →