Machine learningMachine learning
로버스트 k-평균
로버스트 k-평균(Robust k-means)은 고전적인 k-평균 군집화의 변형으로, 이상치의 영향에 저항하도록 설계되었습니다. 군집 중심을 계산하기 전에 가장 극단적인 관측치 중 지정된 비율을 제거함으로써, 데이터에 노이즈, 오염 또는 두터운 꼬리 분포가 포함되어 표준 k-평균이 제대로 작동하지 않는 상황에서도 안정적이고 의미 있는 분할을 생성합니다.
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
- Garcia-Escudero, L. A., & Gordaliza, A. (1999). Robustness properties of k-means and trimmed k-means. Journal of the American Statistical Association, 94(447), 956–969. DOI: 10.2307/2670010 ↗
- Garcia-Escudero, L. A., Gordaliza, A., Matrán, C., & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. Annals of Statistics, 36(3), 1324–1345. DOI: 10.1214/07-AOS515 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/ko/machine-learning/robust-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 →