ScholarGate
Assistent
Latent structureMultivariate analysis

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.

Anvend med StatMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. 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
  2. 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.

Compare side by side

Refereret af

ScholarGateRobust K-means Clustering (Robust K-means Clustering). Hentet 2026-06-15 fra https://scholargate.app/da/statistics/robust-k-means-clustering · Datasæt: https://doi.org/10.5281/zenodo.20539026