Machine learningMachine learning

Συστάδες K-Means με Κανονικοποίηση

Η κανονικοποιημένη μέθοδος k-means επεκτείνει την τυπική μέθοδο k-means προσθέτοντας έναν όρο ποινής — συνηθέστερα μια περιοριστική συνθήκη L1 (τύπου lasso) ή L2 — στη συνάρτηση στόχο. Αυτό αποθαρρύνει εκφυλισμένες λύσεις συστάδων και, στην αραιή παραλλαγή που εισήγαγαν οι Witten και Tibshirani (2010), επιλέγει ταυτόχρονα τα χαρακτηριστικά που οδηγούν στον διαχωρισμό των συστάδων, καθιστώντας την ιδιαίτερα πολύτιμη σε περιβάλλοντα υψηλής διαστατικότητας όπου πολλά χαρακτηριστικά είναι άσχετα.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

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

Συστάδες K-Means με Κανονικοποίηση
Ομαδοποίηση K-meansΚανονικοποιημένο Γκαουσι…

Πηγές

  1. 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
  2. K-means clustering. Wikipedia. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateRegularized k-means (Regularized K-Means Clustering). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/regularized-k-means · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026