Machine learningMachine learning

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.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

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

Fuentes

  1. 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
  2. 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.

Compare side by side

Citado por

ScholarGateRobust k-means (Robust k-means Clustering). Recuperado el 2026-06-15 de https://scholargate.app/es/machine-learning/robust-k-means · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026