Robuszt K-means klaszterezés
A robuszt K-means klaszterezés a klasszikus k-means kiterjesztése, amely megvédi a klaszterelemeket a kiugró vagy szennyezett megfigyelések okozta torzulásoktól. A legszélsőségesebb pontok egy felhasználó által megadott hányadának levágásával a klaszterközpontok frissítése előtt az algoritmus stabil, értelmes partíciókat eredményez még akkor is, ha az adatok atipikus eseteket tartalmaznak, amelyek súlyosan eltorzítanák a standard k-meanst.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- Cuesta-Albertos, J. A., Gordaliza, A., & Matrán, C. (1997). Trimmed k-means: An attempt to robustify quantizers. The Annals of Statistics, 25(2), 553–576. DOI: 10.1214/aos/1031833664 ↗
- García-Escudero, L. A., Gordaliza, A., Matrán, C., & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. The 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/statistics/robust-k-means-clustering
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.
- KlaszteranalízisStatisztika↔ összehasonlítás
- Keverék modellezésStatisztika↔ összehasonlítás
- Robuszt Hierarchikus KlaszterezésStatisztika↔ összehasonlítás
- Robusztus keverék modellezésStatisztika↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →