Ortalama Kaydırma
Mean Shift Clustering and Mode-Seeking Algorithm · Ayrıca şöyle bilinir: mean-shift clustering, mean shift mode seeking, kernel mean shift, nonparametric mode detection
Mean Shift, olasılık yoğunluk fonksiyonunun altında yatan kümeleri zirveler olarak tanımlayan parametrik olmayan, iteratif bir mod arama algoritmasıdır. Orijinal olarak Fukunaga ve Hostetler (1975) tarafından örüntü tanımada gradyan tahmini için tanıtılan bu yöntem, Comaniciu ve Meer (2002) tarafından sağlam özellik uzayı analizi ve görüntü bölütleme için önemli ölçüde genişletilmiş ve popülerleştirilmiştir. K-means'in aksine, Mean Shift küme sayısının önceden belirlenmesini gerektirmez ve küme yapısını tamamen veri yoğunluğundan türetir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Mean Shift, gerçek küme sayısının bilinmediği veya önceden belirtilmesinin doğal olmadığı, küme şekillerinin düzensiz veya dışbükey olmayan beklenmesi ve verinin yoğunluğunun yapının doğal kavramı olduğu durumlarda uygundur. Görüntü bölütleme, bilgisayar görüşünde nesne takibi ve mekansal veya özellik verilerinin keşifsel kümelenmesi için çok uygundur. Ana varsayım, kümelerin altta yatan yoğunluğun modlarına karşılık geldiğidir; bu, parametrik bir biçim gerektirmeyen tek modlu bileşenlerin bir karışımı tarafından üretilen verilerde geçerlidir. Anlamlı sonuçlar, makul büyüklükte bir veri kümesi (beklenen küme başına en az birkaç düzine nokta) ve düşünülerek seçilmiş bir bant genişliği gerektirir; Silverman kuralı veya çapraz doğrulama gibi otomatik bant genişliği seçimi yöntemleri önerilir.
Güçlü yönler & sınırlılıklar
- Küme sayısını k önceden belirtmeye gerek yoktur; verinin yoğunluğundan ortaya çıkar.
- K-means'in küresel yapı varsaymasının aksine, keyfi şekilli kümeler bulur.
- Mod yoğunluk zirvesi olduğundan ve izole noktalar nadiren mod oluşturduğundan, aykırı değerlere karşı dayanıklıdır.
- Epanechnikov ve Gauss çekirdekleri için yerel bir moda yakınsama garantilidir (Comaniciu & Meer, 2002).
- Yoğunluk tahmininde gradyan yükselişi olarak doğrudan yorumlanabilir, açık bir olasılıksal motivasyona sahiptir.
- Naif olarak iterasyon başına hesaplama maliyeti O(n²) olduğundan, hızlandırma yapıları (top ağaçları veya yaklaşık en yakın komşu araması gibi) olmadan büyük veri kümelerinde yavaştır.
- Sonuçlar bant genişliği h seçimine duyarlıdır; kötü bir bant genişliği farklı kümeleri birleştirebilir veya tek kümeleri bölebilir.
- Evrensel olarak uygulanabilir kapalı formda otomatik bant genişliği seçimi yoktur; çapraz doğrulama veya alan bilgisi gereklidir.
- Boyutluluk laneti nedeniyle yoğunluk tahminini etkileyen çok yüksek boyutlu uzaylara iyi ölçeklenmez.
- Açık bir üretken model üretmez, bu nedenle yeni noktalar için küme üyeliğini tahmin etmek algoritmayı yeniden çalıştırmayı veya bir yakınlık sezgisi kullanmayı gerektirir.
SSS
Bant genişliğini nasıl seçerim?
Bant genişliği seçimi merkezi pratik zorluktur. Yaygın stratejiler arasında Silverman'ın kuralı (h, n^{-1/(d+4)} ile orantılıdır), çekirdek yoğunluk tahmininde en küçük kareler çapraz doğrulaması veya siluet skoru gibi bir küme geçerlilik indeksi tarafından yönlendirilen bir grid araması bulunur. Modların sayısı ve konumlarının nasıl değiştiğini incelemek için bir dizi bant genişliği üzerinde Mean Shift çalıştırmak iyi bir uygulamadır.
Mean Shift her zaman yakınsar mı?
Evet, en yaygın kullanılan iki profil olan Epanechnikov ve Gauss çekirdekleri için - Comaniciu ve Meer (2002), iteratif güncelleme dizisinin yoğunlukta monotonik olarak arttığını ve bu nedenle yerel bir moda yakınsaması garanti edildiğini kanıtlamıştır. Yakınsama hızı, bant genişliğine ve veri geometrisine bağlıdır.
Mean Shift, DBSCAN ile nasıl karşılaştırılır?
Her ikisi de yoğunluk tabanlıdır ve önceden belirlenmiş bir küme sayısı gerektirmez. DBSCAN, kümeleri çekirdek noktalarından ulaşılabilirlik yoluyla tanımlar ve gürültüyü doğal olarak aykırı değerler olarak etiketler, bu da gürültünün ne olduğunu daha açık hale getirir. Buna karşılık Mean Shift, kümeleri yoğunluk modlarının çekim alanları olarak tanımlar; her nokta bir moda atanır, izole noktalar kendi tek noktalı modlarını oluşturur. Mean Shift daha pürüzsüz olma eğilimindedir ancak büyük n için hesaplama açısından daha ağırdır.
Mean Shift çok büyük veri kümeleri için uygun mu?
Naif formunda, Mean Shift iterasyon başına O(n²) olup on binlerce nokta için imkansız olabilir. Pratik çözümler arasında tohum olarak yalnızca noktaların bir alt kümesini kullanmak, komşu aramasını sınırlamak için top-ağacı veya k-d ağacı yapıları kullanmak veya Blurring Mean Shift varyantını kullanmak yer alır. Çok büyük veri kümeleri için, yaklaşık yöntemler veya alt örnekleme ve ardından atama standart uygulamadır.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Mean Shift Clustering and Mode-Seeking Algorithm. ScholarGate. https://scholargate.app/tr/machine-learning/mean-shift
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hiyerarşik KümelemeMakine öğrenmesi↔ karşılaştır
- K-ortalama KümelemeMakine öğrenmesi↔ karşılaştır
- Spektral KümelemeMakine öğrenmesi↔ karşılaştır