k-means robuste
Le k-means robuste est une variante du k-means classique conçue pour résister à l'influence des valeurs aberrantes. En éliminant une fraction spécifiée des observations les plus extrêmes avant de calculer les centres de clusters, il produit des partitions stables et significatives même lorsque les données contiennent du bruit, de la contamination ou des distributions à queues lourdes — des situations où le k-means standard échoue.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/fr/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.
- DBSCANApprentissage automatique↔ compare
- Regroupement hiérarchiqueApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Spectral ClusteringApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →