Agrupamiento K-means Robusto
El agrupamiento K-means robusto es una extensión del K-means clásico que protege las estimaciones de los clústeres de la distorsión causada por valores atípicos (outliers) u observaciones contaminadas. Al "recortar" (trimming) una fracción especificada por el usuario de los puntos más extremos antes de actualizar los centros de los clústeres, el algoritmo produce particiones estables y significativas incluso cuando los datos contienen casos atípicos que sesgarían severamente el K-means estándar.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/es/statistics/robust-k-means-clustering
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Análisis de conglomeradosEstadística↔ comparar
- Modelado de mezclasEstadística↔ comparar
- Clustering jerárquico robustoEstadística↔ comparar
- Modelado Robusto de MezclasEstadística↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →