Ensemble K-Means (Ensemble-K-Mittel)
Ensemble K-means führt K-means-Clustering viele Male unter variierten Initialisierungen, Zufallszahlen oder Teilmengen von Merkmalen aus und aggregiert dann die resultierenden Partitionen zu einer einzigen Konsenszuweisung. Dieser Ansatz reduziert die bekannte Empfindlichkeit von K-means gegenüber der Initialisierung und erzeugt stabilere, reproduzierbarere Cluster als ein einzelner Durchlauf.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Strehl, A. & Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3, 583–617. link ↗
- Monti, S., Tamayo, P., Mesirov, J. & Golub, T. (2003). Consensus clustering: a resampling-based method for class discovery and visualization of gene expression microarray data. Machine Learning, 52, 91–118. DOI: 10.1023/A:1023949509487 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/de/machine-learning/ensemble-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.
- Ensemble Gaussian Mixture Model (Ensemble-Gaußsches Mischungsmodell)Maschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
- Semi-überwachtes K-MeansMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →