Robustne K-keskmiste klasterdus
Robustne K-keskmiste klasterdus on klassikalise K-keskmiste meetodi laiendus, mis kaitseb klastrite hinnanguid üksikute või saastunud vaatluste põhjustatud moonutuste eest. Kasutaja määratud osa kõige äärmuslikumatest punktidest enne klastrikeskmete uuendamist välja jättes (trimming), saavutab algoritm stabiilsed ja tähendusrikkad jaotused isegi siis, kui andmestikus esineb ebatüüpilisi juhtumeid, mis standardset K-keskmiste meetodit tugevalt moonutaksid.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/et/statistics/robust-k-means-clustering
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- KlastrianalüüsStatistika↔ võrdle
- Segmenteeriv modelleerimineStatistika↔ võrdle
- Robustne hierarhiline klastreerimineStatistika↔ võrdle
- Robustne segumudelStatistika↔ võrdle
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →