Robust K-means Clustering
Robust K-means clustering er en udvidelse af klassisk k-means, der beskytter klyngeestimater mod forvrængning forårsaget af outliers eller kontaminerede observationer. Ved at trimme en brugerdefineret brøkdel af de mest ekstreme punkter før opdatering af klyngesentre, giver algoritmen stabile, meningsfulde partitioner, selv når dataene indeholder atypiske tilfælde, der ville forvrænge standard k-means alvorligt.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/da/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.
- KlyngeanalyseStatistik↔ compare
- MixturmodelleringStatistik↔ compare
- Robust Hierarkisk KlyngningStatistik↔ compare
- Robust Mixture ModelingStatistik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →