Ensemble K-means
Ensemble K-means suorittaa K-means-klusterointia useita kertoja vaihtelevilla alustuksilla, satunnaissiementen avulla tai käyttäen ominaisuusosajoukkoja, ja yhdistää sitten tuloksena saadut jaot yhdeksi konsensusjaoksi. Tämä lähestymistapa vähentää K-meansin tunnettua herkkyyttä alustukselle ja tuottaa vakaampia, toistettavampia klustereita kuin yksittäinen ajo.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/fi/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.
- Ensemble Gaussian Mixture ModelKoneoppiminen↔ compare
- K-means-klusterointiKoneoppiminen↔ compare
- Puoliohjaava K-meansKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →