Robuste K-Means-Clusteranalyse
Robuste K-Means-Clusteranalyse ist eine Erweiterung des klassischen K-Means, die Cluster-Schätzungen vor Verzerrungen durch Ausreißer oder kontaminierte Beobachtungen schützt. Durch das Beschneiden eines benutzerdefinierten Bruchteils der extremsten Punkte vor der Aktualisierung der Clusterzentren liefert der Algorithmus stabile, aussagekräftige Partitionen, selbst wenn die Daten untypische Fälle enthalten, die Standard-K-Means stark verzerren würden.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/de/statistics/robust-k-means-clustering
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- ClusteranalyseStatistik↔ vergleichen
- Mixture-ModellierungStatistik↔ vergleichen
- Robuste hierarchische ClusteranalyseStatistik↔ vergleichen
- Robuste MischmodellierungStatistik↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →