Robust k-means
Robust k-means adalah varian dari k-means klasik yang dirancang untuk menahan pengaruh pencilan (outlier). Dengan memangkas sebagian fraksi observasi yang paling ekstrem sebelum menghitung pusat klaster, metode ini menghasilkan partisi yang stabil dan bermakna bahkan ketika data mengandung derau (noise), kontaminasi, atau distribusi berekor berat — situasi di mana k-means standar gagal.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/id/machine-learning/robust-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.
- DBSCANPembelajaran Mesin↔ compare
- Pengelompokan HirarkisPembelajaran Mesin↔ compare
- Clustering K-meansPembelajaran Mesin↔ compare
- Spectral ClusteringPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →