Robuszt k-means
A robuszt k-means a klasszikus k-means klaszterezés olyan variánsa, amelyet a kiugró értékek (outlier) hatásának ellenállásra terveztek. A klaszterközpontok kiszámítása előtt a legszélsőségesebb megfigyelések egy meghatározott hányadának eltávolításával stabil és értelmes particionálást eredményez még akkor is, ha az adatok zajt, szennyeződést vagy nehézszárú eloszlást tartalmaznak – olyan helyzetekben, ahol a standard k-means összeomlik.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/hu/machine-learning/robust-k-means
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- DBSCANGépi tanulás↔ összehasonlítás
- Hierarchikus klaszterezésGépi tanulás↔ összehasonlítás
- K-means klaszterezésGépi tanulás↔ összehasonlítás
- Spektrális klaszterezésGépi tanulás↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →