Ensemble K-means
L'Ensemble K-means exécute le partitionnement K-means de nombreuses fois sous des initialisations, des graines aléatoires ou des sous-ensembles de caractéristiques variés, puis agrège les partitions résultantes en une affectation de consensus unique. Cette approche réduit la sensibilité bien connue de K-means à l'initialisation et produit des clusters plus stables et reproductibles qu'une seule exécution.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/fr/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.
- Modèle de Mélange Gaussien en EnsembleApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- K-means semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →