Clustering K-means bayésien
Le clustering K-means bayésien étend l'algorithme K-means classique en plaçant des distributions a priori sur les centroïdes des clusters et les proportions de mélange. Ce cadre probabiliste fournit des estimations d'incertitude pour les affectations aux clusters, permet une sélection de modèle fondée sur des principes pour le nombre de clusters, et régularise l'estimation des centroïdes — particulièrement précieux lorsque les données sont rares ou de haute dimension.
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
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian K-means Clustering. ScholarGate. https://scholargate.app/fr/statistics/bayesian-k-means-clustering
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.
- Analyse de classification bayésienneStatistique↔ compare
- Regroupement hiérarchique bayésien (BHC)Statistique↔ compare
- Modélisation bayésienne de mélangesStatistique↔ compare
- Analyse de regroupementStatistique↔ compare
- Analyse de classes latentes (ACL)Statistique↔ compare
- Modélisation par mélangeStatistique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →