What is the translation of " DBSCAN " in Russian?

• DBSCAN

Examples of using Dbscan in English and their translations into Russian

DBSCAN can find arbitrarily shaped clusters.
DBSCAN может найти кластеры произвольной формы.

ELKI offers an implementation of DBSCAN as well as GDBSCAN and other variants.
ELKI предоставляет реализацию DBSCAN, GDBSCAN и других вариантов.

DBSCAN has a notion of noise, and is robust to outliers.
DBSCAN имеет понятие шума и устойчив к выбросам.

PostGIS includes ST_ClusterDBSCAN- a 2D implementation of DBSCAN that uses R-tree index.
PostGIS включает ST_ ClusterDBSCAN- двумерную реализацию DBSCAN, которая использует R- дерево в качестве индекса.

DBSCAN does not require one to specify the number of clusters in the data a priori, as opposed to k-means.
DBSCAN не требует спецификации числа кластеров в данных априори в отличие от метода k- средних.

SPMF includes an implementation of the DBSCAN algorithm with k-d tree support for Euclidean distance only.
SPMF включает реализацию алгоритма DBSCAN с поддержкой k- d дерева только для евклидового расстояния.

A DBSCAN cluster consists of at least one core point.
Кластер DBSCAN состоит из по меньшей мере одной основной точки.

The paper provides the summary of WWLLN data cluster analysis nearest neighbor algorithm, DBSCAN algorithm.
Обобщен опыт применения кластерного анализа( метод ближайшего соседа, алгоритм DBSCAN) к данным WWLLN.

DBSCAN requires just two parameters and is mostly insensitive to the ordering of the points in the database.
DBSCAN требует лишь двух параметров и большей частью нечувствителен к порядку точек в базе данных.

Clusterings obtained this way usually are hierarchical, and cannot be achieved by a single DBSCAN run.
Кластеризации, полученные таким образом, обычно являются иерархическими и не могут быть получены одним прогоном алгоритма DBSCAN.

The original DBSCAN algorithm does not require this by performing these steps for one point at a time.
Оригинальный алгоритм DBSCAN не требует этого за счет того, что выполняет эти шаги для одной точки за раз.

Weka contains(as an optional package in latest versions) a basic implementation of DBSCAN that runs in quadratic time and linear memory.
Weka содержит( в качестве дополнительного пакета в последней версии) базовую реализацию DBSCAN, которая требует линейную память и работает за квадратичное время.

DBSCAN can be used with any distance function as well as similarity functions or other predicates.
DBSCAN может быть использован с любой функцией расстояния а так же с функцией похожести или логическим условием.

OPTICS can be seen as a generalization of DBSCAN that replaces the ε parameter with a maximum value that mostly affects performance.
OPTICS можно рассматривать как обобщение DBSCAN, в котором параметр ϵ{\ displaystyle\ epsilon} заменяется максимальным значением, наиболее воздействущим на эффективность.

DBSCAN is also used as part of subspace clustering algorithms like PreDeCon and SUBCLU.
Алгоритм DBSCAN использовался также как часть алгоритмов кластеризации подпространства, подобных PreDeCon и SUBCLU.

Density-based spatial clustering of applications with noise(DBSCAN) is a data clustering algorithm proposed by Martin Ester, Hans-Peter Kriegel, Jörg Sander and Xiaowei Xu in 1996.
Основанная на плотности пространственная кластеризация для приложений с шумами( англ. Density- based spatial clustering of applications with noise, DBSCAN)- это алгоритм кластеризации данных, который предложили Маритин Эстер, Ганс- Петер Кригель, Ерг Сандер и Сяовэй Су в 1996.

DBSCAN visits each point of the database, possibly multiple times e.g., as candidates to different clusters.
DBSCAN посещает каждую точку базы данных, может быть несколько раз например, как кандидаты в другие кластеры.

Recently, one of the original authors of DBSCAN has revisited DBSCAN and OPTICS, and published a refined version of hierarchical DBSCAN(HDBSCAN*), which no longer has the notion of border points.
Недавно один из авторов DBSCAN пересмотрел DBSCAN и OPTICS и опубликовал пересмотренную версию иерархического DBSCAN( HDBSCAN*), в котором уже нет понятия краевых точек.

DBSCAN is one of the most common clustering algorithms and also most cited in scientific literature.
DBSCAN является одним из наиболее часто используемых алгоритмов кластеризации, и наиболее часто упоминается в научной литературе.

OPTICS abstracts from DBSCAN by removing this parameter, at least to the extent of only having to give the maximum value.
OPTICS абстрагируется от DBSCAN путем удаления этого параметра, по меньшей мере установкой в максимальное значение.

DBSCAN is designed for use with databases that can accelerate region queries, e.g. using an R* tree.
DBSCAN разработан для применения с базами данных, которые позволяют ускорить запросы в диапазоне значений, например, с помощью R* дерева.

Generalized DBSCAN(GDBSCAN) is a generalization by the same authors to arbitrary"neighborhood" and"dense" predicates.
Generalized DBSCAN( GDBSCAN) является обобщением тех же авторов для произвольных логических выражений« соседства» и« плотности».

DBSCAN requires two parameters: ε(eps) and the minimum number of points required to form a dense region minPts.
DBSCAN требует задания двух параметров: ϵ{\ displaystyle\ epsilon} и минимального числа точек, которые должны образовывать плотную область minPts.

Various extensions to the DBSCAN algorithm have been proposed, including methods for parallelization, parameter estimation, and support for uncertain data.
Были предложены различные расширения алгоритма DBSCAN, включая методы для параллелизации, оценки параметров и поддержка сомнительных данных.

Like DBSCAN, OPTICS processes each point once, and performs one ε{\displaystyle\varepsilon}-neighborhood query during this processing.
Подобно DBSCAN алгоритм OPTICS обрабатывает каждую точку только один раз и выполняет один запрос ε{\ displaystyle\ varepsilon}- соседства во время этой обработки.

LOF shares some concepts with DBSCAN and OPTICS such as the concepts of"core distance" and"reachability distance", which are used for local density estimation.
Локальный уровень выброса имеет общие концепции с DBSCAN и OPTICS, такие как понятия« основное расстояние» и« достижимое расстояние», которые используются для оценки локальной плотности.

DBSCAN cannot cluster data sets well with large differences in densities, since the minPts-ε combination cannot then be chosen appropriately for all clusters.
DBSCAN не может хорошо кластеризовать наборы данных с большой разницей в плотности, поскольку не удается выбрать приемлемую для всех кластеров комбинацию m i n P t s- ϵ{\ displaystyle minPts-\ epsilon.

It is shown that DBSCAN algorithm is capable of processing WWLLN data with peculiarities and thus is the most appropriate algorithm for data clustering.
Показано, что алгоритм DBSCAN позволяет учитывать указанные особенности данных WWLLN, поэтому его использование для кластеризации данных о молниевых разрядах является наиболее целесообразным.

HDBSCAN is a hierarchical version of DBSCAN which is also faster than OPTICS, from which a flat partition consisting of the most prominent clusters can be extracted from the hierarchy.
HDBSCAN является иерархической версией DBSCAN, которая также быстрее OPTICS, и в котором из иерархии можно выделить плоское разбиение, состоящее из наиболее заметных кластеров.

Like DBSCAN, OPTICS requires two parameters: ε, which describes the maximum distance(radius) to consider, and MinPts, describing the number of points required to form a cluster.
Подобно DBSCAN, алгоритм OPTICS требует два параметра- параметр ε описывает максимальное расстояние( радиус), принимаемое во внимание, а параметр MinPts описывает число точек, требующихся для образования кластера.