يعني تجميع التحول

يعامل التحول المتوسط ​​الملاحظات كعينات من الكثافة الأساسية ويبحث عن أوضاعها أو القمم المحلية. بالنسبة لكل موقع بذرة، يقوم بفحص النقاط ضمن النطاق الترددي ويحول البذرة نحو المتوسط ​​المرجح لتلك الجيران. يؤدي تكرار التحديث إلى تحريك البذرة صعودًا على سطح الكثافة المقدرة. يتم تجميع البذور التي تتقارب بالقرب من نفس الوضع في مجموعة واحدة. يمكن للطريقة أن تستنتج عدد المجموعات من الأوضاع بدلاً من طلب k ثابت. عرض النطاق الترددي هو معلمة النطاق الرئيسية. يحافظ النطاق الترددي الضيق على نتوءات محلية جيدة وقد يؤدي إلى إنشاء العديد من الأوضاع الصغيرة. يعمل النطاق الترددي الواسع على تسهيل الكثافة بقوة أكبر ويمكنه دمج القمم القريبة، مما قد يؤدي إلى إخفاء مجموعات فرعية ذات معنى. وبالتالي فإن عدد المجموعات المقدر ليس خاليًا من المعلمات على الرغم من عدم توفير k. يؤثر تحجيم الميزات ومسافة kernel أيضًا على النقاط التي تساهم في كل تحديث. في مجموعة بيانات افتراضية ثنائية الأبعاد ذات ثلاث قمم كثافة واضحة، قد تتحرك البذور الموضوعة عبر الفضاء نحو تلك القمم وتتقارب. إذا أصبح عرض النطاق الترددي كبيرًا جدًا، فيمكن دمج قمتين متجاورتين في قمة واحدة؛ إذا كانت صغيرة جدًا، يمكن أن تنقسم القمة الواحدة إلى عدة قمة. يؤثر التهيئة أو اختيار البذور على التكلفة الحسابية وأحواض الجذب التي يتم استكشافها. يمكن أن يكون التحول المتوسط ​​مكلفًا بالنسبة لمجموعات البيانات الكبيرة نظرًا لأن العديد من البذور المرشحة تستفسر بشكل متكرر عن الجيران. يكون متوسط ​​التحول أكثر ملاءمة عندما تكون أوضاع الكثافة تعريفًا ذا معنى للمجموعات. يمكن أن تعاني من كثافات عنقودية متفاوتة، وسلوك مسافة عالية الأبعاد ومناطق مسطحة واسعة دون قمم واضحة. ولا يوفر احتمالية معايرة للعضوية. تختلف قواعد النقاط الجديدة حسب التنفيذ؛ تقوم scikit-learn بتعيين نقاط جديدة لأقرب مركز مجهز، وهي قاعدة ثابتة بدلاً من احتمالية العضوية المعايرة. فحص مقياس الكثافة والحساسية، ومقارنتها بالطرق البديلة، وتقييم ما إذا كانت الأوضاع تدعم المهمة النهائية. المجموعة عبارة عن وضع ضمن نواة ونطاق ترددي مختارين، وليست فئة طبيعية تلقائيًا.