Robustní K-means shlukování
Robustní K-means shlukování je rozšíření klasického k-means, které chrání odhady shluků před zkreslením způsobeným odlehlými hodnotami nebo kontaminovanými pozorováními. Oříznutím uživatelem specifikované zlomkové části nejextrémnějších bodů před aktualizací center shluků dosahuje algoritmus stabilních, smysluplných rozdělení, i když data obsahují atypické případy, které by standardní k-means silně zkreslily.
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
- Cuesta-Albertos, J. A., Gordaliza, A., & Matrán, C. (1997). Trimmed k-means: An attempt to robustify quantizers. The Annals of Statistics, 25(2), 553–576. DOI: 10.1214/aos/1031833664 ↗
- García-Escudero, L. A., Gordaliza, A., Matrán, C., & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. The 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/statistics/robust-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.
- Shluková analýzaStatistika↔ compare
- Modelování směsíStatistika↔ compare
- Robustní hierarchické shlukováníStatistika↔ compare
- Robustní modelování směsíStatistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →