Robust K-means -klusterointi
Robust K-means -klusterointi on klassisen k-means-algoritmin laajennus, joka suojaa klusteriestimaatteja poikkeamien tai kontaminoituneiden havaintojen aiheuttamalta vääristymältä. Poistamalla käyttäjän määrittämän osuuden äärimmäisimmistä pisteistä ennen klusterikeskusten päivitystä algoritmi tuottaa vakaat, merkitykselliset jaottelut, vaikka aineistossa olisi epätyypillisiä tapauksia, jotka vääristäisivät merkittävästi standardia k-means-algoritmia.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/fi/statistics/robust-k-means-clustering
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- RyhmäanalyysiTilastotiede↔ vertaa
- SekoitusmallinnusTilastotiede↔ vertaa
- Robusti hierarkkinen ryvästysTilastotiede↔ vertaa
- Robust Mixture ModelingTilastotiede↔ vertaa
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →