Robust k-means
Robust k-means je varianta klasického k-means shlukování navržená tak, aby odolávala vlivu odlehlých hodnot. Oříznutím zadaného zlomku nejextrémnějších pozorování před výpočtem středů shluků produkuje stabilní a smysluplné dělení, i když data obsahují šum, kontaminaci nebo těžké rozdělení — situace, kdy standardní k-means selhává.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/cs/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.
- DBSCANStrojové učení↔ compare
- Hierarchické shlukováníStrojové učení↔ compare
- K-means ShlukováníStrojové učení↔ compare
- Spektrální shlukováníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →