ScholarGate
Asisten
Latent structureMultivariate analysis

Robust K-means Clustering

Robust K-means clustering adalah perluasan dari k-means klasik yang melindungi estimasi klaster dari distorsi yang disebabkan oleh pencilan (outlier) atau observasi yang terkontaminasi. Dengan memangkas sebagian fraksi yang ditentukan pengguna dari titik-titik paling ekstrem sebelum memperbarui pusat klaster, algoritma ini menghasilkan partisi yang stabil dan bermakna bahkan ketika data mengandung kasus-kasus atipikal yang akan sangat membiaskan k-means standar.

Terapkan dengan StatMindSegeraVideoSegeraUnduh salindia

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Peta metode

Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.

Sumber

  1. 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
  2. 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

Cara menyitasi halaman ini

ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/id/statistics/robust-k-means-clustering

Metode yang mana?

Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.

Bandingkan berdampingan

Dirujuk oleh

ScholarGateRobust K-means Clustering (Robust K-means Clustering). Diakses 2026-06-15 dari https://scholargate.app/id/statistics/robust-k-means-clustering · Set data: https://doi.org/10.5281/zenodo.20539026