Устойчив k-средни
Устойчивият k-средни е вариант на класическото клъстерно групиране k-средни, предназначен да устои на влиянието на екстремни стойности. Чрез отрязване на определена част от най-екстремните наблюдения преди изчисляване на центровете на клъстерите, той произвежда стабилни и смислени дялове, дори когато данните съдържат шум, замърсяване или разпределения с тежки опашки — ситуации, в които стандартният k-средни се проваля.
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
- Garcia-Escudero, L. A., & Gordaliza, A. (1999). Robustness properties of k-means and trimmed k-means. Journal of the American Statistical Association, 94(447), 956–969. DOI: 10.2307/2670010 ↗
- Garcia-Escudero, L. A., Gordaliza, A., Matrán, C., & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. Annals of Statistics, 36(3), 1324–1345. DOI: 10.1214/07-AOS515 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/bg/machine-learning/robust-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.
- DBSCANМашинно обучение↔ compare
- Йерархично групиранеМашинно обучение↔ compare
- K-means клъстеризацияМашинно обучение↔ compare
- Спектрално клъстериранеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →