K-means de conjunto
K-means de conjunto ejecuta el agrupamiento K-means muchas veces bajo inicializaciones variadas, semillas aleatorias o subconjuntos de características, luego agrega las particiones resultantes en una única asignación de consenso. Este enfoque reduce la sensibilidad bien conocida de K-means a la inicialización y produce clústeres más estables y reproducibles que cualquier ejecución individual.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/es/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.
- Modelo de Mezcla Gaussiana por ConjuntoAprendizaje automático↔ compare
- Agrupamiento K-mediasAprendizaje automático↔ compare
- K-means SemisupervisadoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →