Latent structureMultivariate analysis
강건 K-평균 군집화
강건 K-평균 군집화(Robust K-means clustering)는 고전적인 K-평균의 확장으로, 이상치나 오염된 관측치로 인한 왜곡으로부터 군집 추정치를 보호합니다. 각 반복에서 가장 극단적인 점들의 사용자 지정 비율을 잘라내어(trimming) 군집 중심을 업데이트함으로써, 표준 K-평균을 심각하게 편향시킬 수 있는 비정형 사례를 데이터가 포함하고 있더라도 알고리즘은 안정적이고 의미 있는 분할을 제공합니다.
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
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/ko/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.
Compare side by side →