เปรียบเทียบวิธี

	DBSCAN แบบกึ่งมีผู้สอน	โมเดล Gaussian Mixture แบบกึ่งมีผู้สอน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s	2000
ผู้ริเริ่ม	Ester, M. et al. (DBSCAN base); semi-supervised extensions by multiple authors (2000s–2010s)	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.
ประเภท	Constrained density-based clustering	Generative semi-supervised classifier
แหล่งต้นตำรับ	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.	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	Constrained DBSCAN, SS-DBSCAN, DBSCAN with must-link/cannot-link constraints, seeded DBSCAN	SS-GMM, semi-supervised GMM, partially labeled Gaussian mixture model, generative semi-supervised classifier
ที่เกี่ยวข้อง	5	3
สรุป	Semi-supervised DBSCAN extends the canonical density-based clustering algorithm (Ester et al., 1996) by incorporating a small set of pairwise or label constraints — must-link pairs that must share a cluster, cannot-link pairs that must be separated, or a handful of known labels — to guide cluster formation while retaining DBSCAN's ability to discover arbitrary-shaped clusters and flag noise points.	The Semi-supervised Gaussian Mixture Model (SS-GMM) is a generative probabilistic classifier that fits a Gaussian mixture to both labeled and unlabeled data using the Expectation-Maximization algorithm. Labeled points constrain component assignments while unlabeled points improve density estimates, enabling effective learning when annotations are scarce.