Ensemble K-means
Ensemble K-means pokreće K-means klasteriranje mnogo puta pod različitim inicijalizacijama, slučajnim sjemenkama ili podskupovima značajki, a zatim agregira rezultirajuće particije u jedinstveni konsenzusni zadatak. Ovaj pristup smanjuje dobro poznatu osjetljivost K-means-a na inicijalizaciju i proizvodi stabilnije, ponovljivije klastere od bilo kojeg pojedinačnog pokretanja.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/hr/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.
- Ensemble Gaussian Mixture ModelStrojno učenje↔ compare
- Grupna analiza K-meansStrojno učenje↔ compare
- Polu-nadgledani K-sredinaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →