Machine learningMachine learning
정규화 K-평균 군집화
정규화 K-평균은 목적 함수에 페널티 항 — 가장 흔하게는 L1 (lasso 유형) 또는 L2 제약 — 을 추가하여 표준 K-평균을 확장합니다. 이는 퇴행적인 군집 해를 억제하며, Witten과 Tibshirani (2010)가 소개한 희소(sparse) 변형에서는 군집 분리를 유도하는 특징(feature)을 동시에 선택하므로, 많은 특징이 관련 없는 고차원 설정에서 특히 유용합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/ko/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.
Compare side by side →