K-means d'insieme
Il K-means d'insieme esegue il clustering K-means molte volte con inizializzazioni, semi casuali o sottoinsiemi di caratteristiche variati, quindi aggrega le partizioni risultanti in un'unica assegnazione di consenso. Questo approccio riduce la nota sensibilità del K-means all'inizializzazione e produce cluster più stabili e riproducibili rispetto a una singola esecuzione.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Strehl, A. & Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3, 583–617. link ↗
- Monti, S., Tamayo, P., Mesirov, J. & Golub, T. (2003). Consensus clustering: a resampling-based method for class discovery and visualization of gene expression microarray data. Machine Learning, 52, 91–118. DOI: 10.1023/A:1023949509487 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/it/machine-learning/ensemble-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.
- Modello Gaussiano a Miscele d'InsiemeApprendimento automatico↔ compare
- Clustering K-meansApprendimento automatico↔ compare
- K-means semi-supervisionatoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →