K-means جمعی
K-means جمعی با اجرای چندین باره الگوریتم K-means تحت مقادیر اولیه، بذرهای تصادفی یا زیرمجموعههای ویژگی متفاوت، سپس تجمیع پارتیشنهای حاصله در یک تخصیص اجماع واحد، اجرا میشود. این رویکرد، حساسیت شناخته شده K-means به مقداردهی اولیه را کاهش داده و خوشههای پایدارتر و تکرارپذیرتری نسبت به هر اجرای منفرد تولید میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/fa/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.
- مدل ترکیبی گوسی (Ensemble Gaussian Mixture Model)یادگیری ماشین↔ compare
- خوشهبندی K-meansیادگیری ماشین↔ compare
- K-means نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →