Ensemble K-means
Metoda Ensemble K-means spouští K-means clustering mnohokrát s různými inicializacemi, náhodnými zárodky nebo podmnožinami příznaků, poté agreguje výsledné partition do jediného konsensuálního přiřazení. Tento přístup snižuje známou citlivost K-means na inicializaci a produkuje stabilnější, reprodukovatelnější shluky než jakýkoli jednotlivý běh.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/cs/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.
- Gaussovský směsný model (Ensemble Gaussian Mixture Model)Strojové učení↔ compare
- K-means ShlukováníStrojové učení↔ compare
- Semi-supervizované shlukování K-meansStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →