Mean Shift
Mean Shift เป็นอัลกอริทึมแบบไม่ใช้พารามิเตอร์ที่วนซ้ำเพื่อค้นหาโหมด (mode-seeking) ซึ่งระบุกลุ่ม (clusters) เป็นจุดสูงสุดของฟังก์ชันความหนาแน่นของความน่าจะเป็นพื้นฐาน เดิมที Fukunaga และ Hostetler (1975) ได้นำเสนออัลกอริทึมนี้เพื่อประมาณค่าความชัน (gradient estimation) ในการรู้จำรูปแบบ (pattern recognition) ต่อมา Comaniciu และ Meer (2002) ได้ขยายและทำให้เป็นที่นิยมอย่างมากสำหรับการวิเคราะห์ปริภูมิคุณลักษณะ (feature-space analysis) ที่ทนทานและการแบ่งส่วนภาพ (image segmentation) แตกต่างจาก k-means ตรงที่ Mean Shift ไม่จำเป็นต้องระบุจำนวนกลุ่มล่วงหน้า โดยจะสร้างโครงสร้างกลุ่มจากความหนาแน่นของข้อมูลทั้งหมด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Fukunaga, K. & Hostetler, L. D. (1975). The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on Information Theory, 21(1), 32–40. DOI: 10.1109/TIT.1975.1055330 ↗
- Comaniciu, D. & Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(5), 603–619. DOI: 10.1109/34.1000236 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 14). Springer. ISBN: 978-0-387-84858-7
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/th/machine-learning/mean-shift
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.
- DBSCANการเรียนรู้ของเครื่อง↔ compare
- การจัดกลุ่มแบบลำดับชั้นการเรียนรู้ของเครื่อง↔ compare
- การจัดกลุ่มแบบ K-meansการเรียนรู้ของเครื่อง↔ compare
- Spectral Clusteringการเรียนรู้ของเครื่อง↔ compare