Clustering K-Means Regularizzato
Il K-means regularizzato estende il K-means standard aggiungendo un termine di penalità — più comunemente un vincolo L1 (tipo lasso) o L2 — alla funzione obiettivo. Questo scoraggia soluzioni di cluster degenerate e, nella variante sparsa introdotta da Witten e Tibshirani (2010), seleziona simultaneamente le feature che guidano la separazione dei cluster, rendendolo particolarmente prezioso in contesti ad alta dimensionalità dove molte feature sono irrilevanti.
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
- Witten, D. M., & Tibshirani, R. (2010). A framework for feature selection in clustering. Journal of the American Statistical Association, 105(490), 713–726. DOI: 10.1198/jasa.2010.tm09415 ↗
- K-means clustering. Wikipedia. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/it/machine-learning/regularized-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.
- Clustering K-meansApprendimento automatico↔ compare
- Modello Gaussiano Misto RegolarizzatoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →