Regularizált K-Means Klaszterezés
A regularizált k-means a standard k-means módszert terjeszti ki egy büntetőtag hozzáadásával az objektív függvényhez – leggyakrabban L1 (lasso-típusú) vagy L2 megszorítással. Ez megakadályozza a degenerált klasztermegoldásokat, és a Witten és Tibshirani (2010) által bevezetett ritka változatban egyidejűleg kiválasztja azokat a jellemzőket, amelyek a klaszterek szétválasztását vezérlik, így különösen értékes a magas dimenziójú beállításokban, ahol sok jellemző irreleváns.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Witten, D. M., & Tibshirani, R. (2010). A framework for feature selection in clustering. Journal of the American Statistical Association, 105(490), 713–726. DOI: 10.1198/jasa.2010.tm09415 ↗
- K-means clustering. Wikipedia. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/hu/machine-learning/regularized-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.
- K-means klaszterezésGépi tanulás↔ compare
- Regularizált Gauss-keverék modellGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →