K-means robusta
Il K-means robusta è un'estensione del classico k-means che protegge le stime dei cluster dalla distorsione causata da outlier o osservazioni contaminate. Eliminando una frazione specificata dall'utente dei punti più estremi prima di aggiornare i centri dei cluster, l'algoritmo produce partizioni stabili e significative anche quando i dati contengono casi atipici che distorcerebbero gravemente il k-means standard.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/it/statistics/robust-k-means-clustering
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.
- Analisi dei ClusterStatistica↔ compare
- Modellizzazione per misceleStatistica↔ compare
- Clustering gerarchico robustoStatistica↔ compare
- Modellazione robusta di misceleStatistica↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →