Ensemble K-means
Ensemble K-means daudzkārtīgi izpilda K-means klasterizāciju, izmantojot dažādas inicializācijas, nejaušības sēklas vai iezīmju apakškopas, un pēc tam apvieno iegūtās sadales vienā konsensa piešķīrumā. Šī pieeja samazina K-means zināmo jutību pret inicializāciju un rada stabilākus, reproducējamākus klasterus nekā jebkura atsevišķa izpilde.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Strehl, A. & Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3, 583–617. link ↗
- Monti, S., Tamayo, P., Mesirov, J. & Golub, T. (2003). Consensus clustering: a resampling-based method for class discovery and visualization of gene expression microarray data. Machine Learning, 52, 91–118. DOI: 10.1023/A:1023949509487 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/lv/machine-learning/ensemble-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.
- Gaußiešu maisījumu modeļu ansamblisMašīnmācīšanās↔ compare
- K-means klasterizācijaMašīnmācīšanās↔ compare
- Daļēji uzraudzīti K-vidējieMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →