Robust k-means
Robust k-means er en variant af klassisk k-means-klyngedannelse, der er designet til at modstå indflydelsen fra outliers. Ved at trimme en specificeret fraktion af de mest ekstreme observationer, før klyngecentre beregnes, producerer den stabile og meningsfulde opdelinger, selv når data indeholder støj, kontaminering eller tung-halede fordelinger – situationer hvor standard k-means bryder sammen.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/da/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.
- DBSCANMaskinlæring↔ compare
- Hierarkisk grupperingMaskinlæring↔ compare
- K-means ClusteringMaskinlæring↔ compare
- Spektral klyngedannelseMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →