Mean Shift-clustering

Mean shift behandelt de waarnemingen als monsters van een onderliggende dichtheid en zoekt naar de modi ervan, of lokale pieken. Voor elke zaadlocatie onderzoekt het punten binnen een bandbreedte en verschuift het zaad naar een gewogen gemiddelde van die buren. Door de update te herhalen, wordt het zaad bergopwaarts verplaatst op het geschatte dichtheidsoppervlak. Zaden die in de buurt van dezelfde modus samenkomen, worden gegroepeerd als één cluster. De methode kan het aantal clusters uit de modi afleiden in plaats van om een ​​vaste k te vragen. Bandbreedte is de belangrijkste schaalparameter. Een smalle bandbreedte behoudt fijne lokale hobbels en kan veel kleine modi creëren. Een brede bandbreedte verzacht de dichtheid sterker en kan nabijgelegen pieken samenvoegen, waardoor mogelijk betekenisvolle subgroepen verborgen blijven. Het geschatte aantal clusters is dus niet parametervrij, ook al wordt k niet opgegeven. Functieschaling en de kernelafstand beïnvloeden ook welke punten bijdragen aan elke update. In een hypothetische tweedimensionale dataset met drie duidelijke dichtheidspieken kunnen zaden die over de ruimte zijn geplaatst naar die pieken toe bewegen en convergeren. Als de bandbreedte te groot wordt, kunnen twee aangrenzende pieken samensmelten tot één; als deze te klein is, kan één piek in meerdere fragmenten vallen. Initialisatie of zaadselectie beïnvloedt de rekenkosten en welke aantrekkingsgebieden worden onderzocht. Mean shift kan duur zijn voor grote datasets, omdat veel kandidaat-zaden herhaaldelijk buren bevragen. Gemiddelde verschuiving is het meest geschikt wanneer dichtheidsmodi een betekenisvolle definitie van groepen zijn. Het kan worstelen met variërende clusterdichtheden, hoogdimensionaal afstandsgedrag en brede vlakke gebieden zonder duidelijke pieken. Het biedt geen gekalibreerde waarschijnlijkheid van lidmaatschap. Regels voor nieuwe punten variëren per implementatie; scikit-learn wijst nieuwe punten toe aan het dichtstbijzijnde passende centrum, een hard-label regel in plaats van een gekalibreerde lidmaatschapswaarschijnlijkheid. Inspecteer de dichtheidsschaal en gevoeligheid, vergelijk deze met alternatieve methoden en beoordeel of de modi de stroomafwaartse taak ondersteunen. Een cluster is een modus onder een gekozen kernel en bandbreedte, en niet automatisch een natuurlijke categorie.