เปรียบเทียบวิธี

	Ensemble K-means	Semi-supervised HDBSCAN
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2002	2017–present
ผู้ริเริ่ม	Strehl, A. & Ghosh, J.	McInnes, L.; Healy, J. (base HDBSCAN); semi-supervised extensions by various authors
ประเภท	Ensemble clustering (consensus aggregation of K-means partitions)	Semi-supervised density-based clustering
แหล่งต้นตำรับ	Strehl, A. & Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3, 583–617.	McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205.
ชื่อเรียกอื่น	consensus K-means, K-means ensemble clustering, cluster ensemble with K-means, EKM	Constrained HDBSCAN, Semi-supervised hierarchical density clustering, HDBSCAN with partial labels, SS-HDBSCAN
ที่เกี่ยวข้อง	3	6
สรุป	Ensemble K-means runs K-means clustering many times under varied initializations, random seeds, or feature subsets, then aggregates the resulting partitions into a single consensus assignment. This approach reduces K-means' well-known sensitivity to initialization and produces more stable, reproducible clusters than any single run.	Semi-supervised HDBSCAN extends the Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN) algorithm by incorporating partial supervision — such as must-link and cannot-link pairwise constraints or a small set of labeled examples — to guide the density-based cluster hierarchy toward cluster assignments that are consistent with available domain knowledge.