Ансамбъл K-means
Ансамбъл K-means изпълнява K-means клъстеризация многократно при различни начални инициализации, случайни начални стойности или подмножества от признаци, след което агрегира получените дялове в едно консенсусно разпределение. Този подход намалява добре известната чувствителност на K-means към инициализацията и произвежда по-стабилни, възпроизводими клъстери от всяко единично изпълнение.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Strehl, A. & Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3, 583–617. link ↗
- Monti, S., Tamayo, P., Mesirov, J. & Golub, T. (2003). Consensus clustering: a resampling-based method for class discovery and visualization of gene expression microarray data. Machine Learning, 52, 91–118. DOI: 10.1023/A:1023949509487 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/bg/machine-learning/ensemble-k-means
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.
- Ансамблов модел на Гаусови смесиМашинно обучение↔ compare
- K-means клъстеризацияМашинно обучение↔ compare
- Полу-наблюдавано K-средниМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →