Ensemble K-means
Az Ensemble K-means a K-means klaszterezést sokszor futtatja változó inicializálások, véletlen magok vagy jellemzőalhalmazok mellett, majd az így kapott particiókat egyetlen konszenzusos hozzárendelésbe összesíti. Ez az eljárás csökkenti a K-means jól ismert inicializálási érzékenységét, és stabilabb, reprodukálhatóbb klasztereket eredményez, mint bármelyik egyedi futtatás.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/hu/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 Gauss-Mixture ModellGépi tanulás↔ compare
- K-means klaszterezésGépi tanulás↔ compare
- Félfelügyelt K-meansGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →