Bayesilainen K-means-klusterointi
Bayesilainen K-means-klusterointi laajentaa klassista K-means-algoritmia asettamalla priorijakaumat klusterikeskuksille ja sekoitussuhteille. Tämä probabilistinen viitekehys tarjoaa epävarmuusarvioita klusterimäärityksille, mahdollistaa periaatteellisen mallinvalinnan klusterien lukumäärälle ja regularisoi keskusten estimointia – mikä on erityisen arvokasta, kun dataa on vähän tai se on korkeaulotteista.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- Kulis, B. & Jordan, M. I. (2012). Revisiting k-means: New algorithms via Bayesian nonparametrics. In Proceedings of the 29th International Conference on Machine Learning (ICML), Edinburgh, Scotland, pp. 513–520. link ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. Chapter 9 (Mixture models and EM) and Chapter 10 (Approximate Inference). ISBN: 978-0387310732
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian K-means Clustering. ScholarGate. https://scholargate.app/fi/statistics/bayesian-k-means-clustering
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Bayesiläinen klusterianalyysiTilastotiede↔ vertaa
- Bayesiläinen hierarkkinen klusterointi (BHC)Tilastotiede↔ vertaa
- Bayesiläinen sekoitusmallinnusTilastotiede↔ vertaa
- RyhmäanalyysiTilastotiede↔ vertaa
- Latent Class Analysis (LCA)Tilastotiede↔ vertaa
- SekoitusmallinnusTilastotiede↔ vertaa
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →