k-means robustos
k-means robustos es una variante de la agrupación k-means clásica diseñada para resistir la influencia de valores atípicos. Al recortar una fracción especificada de las observaciones más extremas antes de calcular los centros de los clústeres, produce particiones estables y significativas incluso cuando los datos contienen ruido, contaminación o distribuciones de colas pesadas — situaciones en las que el k-means estándar falla.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/es/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.
- DBSCANAprendizaje automático↔ compare
- Agrupamiento jerárquicoAprendizaje automático↔ compare
- Agrupamiento K-mediasAprendizaje automático↔ compare
- Agrupamiento EspectralAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →