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.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
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.
- Analisis KlasterStatistika↔ bandingkan
- Pemodelan CampuranStatistika↔ bandingkan
- Robust Hierarchical ClusteringStatistika↔ bandingkan
- Pemodelan Campuran RobustStatistika↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →