Bayesovské shlukování K-means
Bayesovské shlukování K-means rozšiřuje klasický algoritmus K-means tím, že umisťuje apriorní distribuce na těžiště shluků a směšovací proporce. Tento pravděpodobnostní rámec poskytuje odhady nejistoty pro přiřazení ke shlukům, umožňuje principální výběr modelu pro počet shluků a regularizuje odhad těžišť — což je obzvláště cenné, když jsou data řídká nebo ve vysoké dimenzi.
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
- Kulis, B. & Jordan, M. I. (2012). Revisiting k-means: New algorithms via Bayesian nonparametrics. In Proceedings of the 29th International Conference on Machine Learning (ICML), Edinburgh, Scotland, pp. 513–520. link ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. Chapter 9 (Mixture models and EM) and Chapter 10 (Approximate Inference). ISBN: 978-0387310732
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian K-means Clustering. ScholarGate. https://scholargate.app/cs/statistics/bayesian-k-means-clustering
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.
- Bayesovská shluková analýzaStatistika↔ compare
- Bayesovské hierarchické shlukování (BHC)Statistika↔ compare
- Bayesovské směsové modelováníStatistika↔ compare
- Shluková analýzaStatistika↔ compare
- Latent Class Analysis (LCA)Statistika↔ compare
- Modelování směsíStatistika↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →