Regularizované shlukování k-středů
Regularizované k-středů rozšiřuje standardní k-středů přidáním penalizačního členu — nejčastěji omezení L1 (typu lasso) nebo L2 — k účelové funkci. To odrazuje od degenerovaných řešení shluků a ve variantě pro řídká data (sparse variant) zavedené Wittenem a Tibshirani (2010) současně vybírá příznaky, které způsobují separaci shluků, což je činí obzvláště cennými ve vysoce dimenzionálních prostředích, kde je mnoho příznaků irelevantních.
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
- Witten, D. M., & Tibshirani, R. (2010). A framework for feature selection in clustering. Journal of the American Statistical Association, 105(490), 713–726. DOI: 10.1198/jasa.2010.tm09415 ↗
- K-means clustering. Wikipedia. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/cs/machine-learning/regularized-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.
- K-means ShlukováníStrojové učení↔ compare
- Regularizovaný Gaussovský Směsný ModelStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →