خوشهبندی K-means مقاوم (Robust K-means Clustering)
خوشهبندی K-means مقاوم، بسطی از الگوریتم کلاسیک K-means است که تخمینهای خوشهای را در برابر اعوجاج ناشی از دادههای پرت یا مشاهدات آلوده محافظت میکند. با حذف کسری مشخصشده توسط کاربر از نقاط پرتتر، پیش از بهروزرسانی مراکز خوشهها، این الگوریتم حتی در مواردی که دادهها شامل موارد غیرمعمول باشند که میتوانند K-means استاندارد را بهشدت دچار اریب کنند، پارتیشنهای پایدار و معناداری ارائه میدهد.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/fa/statistics/robust-k-means-clustering
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.
- تحلیل خوشهایآمار↔ compare
- مدلسازی ترکیبیآمار↔ compare
- خوشهبندی سلسله مراتبی مقاومآمار↔ compare
- مدلسازی آمیخته استوارآمار↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →