Regularisierte K-Means-Clusterbildung
Regularisierte K-Means erweitert die Standard-K-Means-Methode um einen Strafterm – meist eine L1- (Lasso-ähnliche) oder L2-Beschränkung – zur Zielfunktion. Dies verhindert degenerative Clusterlösungen und wählt, in der von Witten und Tibshirani (2010) eingeführten sparsen Variante, gleichzeitig die Merkmale aus, die zur Cluster-Trennung beitragen. Dies macht die Methode besonders wertvoll in hochdimensionalen Umgebungen, in denen viele Merkmale irrelevant sind.
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
- Witten, D. M., & Tibshirani, R. (2010). A framework for feature selection in clustering. Journal of the American Statistical Association, 105(490), 713–726. DOI: 10.1198/jasa.2010.tm09415 ↗
- K-means clustering. Wikipedia. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/de/machine-learning/regularized-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.
- K-means ClusteringMaschinelles Lernen↔ compare
- Regularized Gaussian Mixture ModelMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →