Regularisoitu K-Means-klusterointi
Regularisoitu k-means laajentaa standardia k-meansia lisäämällä rangaistustermin — yleisimmin L1 (lasso-tyyppinen) tai L2 -rajoitteen — tavoitefunktioon. Tämä estää degeneroituneita klusteriratkaisuja ja, Wittenin ja Tibshiranin (2010) esittelemässä harvassa variantissa, valitsee samanaikaisesti piirteet, jotka ohjaavat klusterien erottumista, tehden siitä erityisen arvokkaan korkeaulotteisissa asetelmissa, joissa monet piirteet ovat epäolennaisia.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Witten, D. M., & Tibshirani, R. (2010). A framework for feature selection in clustering. Journal of the American Statistical Association, 105(490), 713–726. DOI: 10.1198/jasa.2010.tm09415 ↗
- K-means clustering. Wikipedia. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/fi/machine-learning/regularized-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.
- K-means-klusterointiKoneoppiminen↔ compare
- Regularisoitu Gaussinen sekoitusmalliKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →