Robuster k-Means
Robuster k-Means ist eine Variante des klassischen k-Means-Clustering, die darauf ausgelegt ist, dem Einfluss von Ausreißern zu widerstehen. Durch das Beschneiden eines bestimmten Bruchteils der extremsten Beobachtungen vor der Berechnung von Clusterzentren erzeugt es stabile und aussagekräftige Partitionen, selbst wenn die Daten Rauschen, Kontamination oder stark auslaufende Verteilungen enthalten – Situationen, in denen Standard-k-Means versagt.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/de/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.
- DBSCANMaschinelles Lernen↔ compare
- Hierarchische ClusteranalyseMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
- Spektrale ClusteranalyseMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →