Robust k-means
Robust k-means on klassisen k-means-klusterointialgoritmin muunnelma, joka on suunniteltu kestämään poikkeavien havaintojen vaikutusta. Laskemalla klusterikeskukset poistamalla ensin määritetty osuus äärimmäisimmistä havainnoista, algoritmi tuottaa vakaita ja merkityksellisiä jaotteluita, vaikka aineistossa olisi kohinaa, kontaminaatiota tai paksureunaisia jakaumia – tilanteita, joissa tavallinen k-means epäonnistuu.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Garcia-Escudero, L. A., & Gordaliza, A. (1999). Robustness properties of k-means and trimmed k-means. Journal of the American Statistical Association, 94(447), 956–969. DOI: 10.2307/2670010 ↗
- Garcia-Escudero, L. A., Gordaliza, A., Matrán, C., & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. Annals of Statistics, 36(3), 1324–1345. DOI: 10.1214/07-AOS515 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/fi/machine-learning/robust-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.
- DBSCANKoneoppiminen↔ compare
- Hierarkkinen ryvästyminenKoneoppiminen↔ compare
- K-means-klusterointiKoneoppiminen↔ compare
- Spektrinen klusterointiKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →