K-Means klasterizācijas regularizācija
Regularizētā k-means metodes paplašinājums ir standarta k-means, pievienojot mērķa funkcijai soda locekli — visbiežāk L1 (lasso tipa) vai L2 ierobežojumu. Tas attur no deģenerētu klasteru risinājumiem un, Witten un Tibshirani (2010) ieviestajā sparse variantā, vienlaikus atlasa pazīmes, kas veicina klasteru atdalīšanu, padarot to īpaši vērtīgu augstas dimensijas datos, kur daudzas pazīmes ir nerelevantas.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/lv/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.
- K-means klasterizācijaMašīnmācīšanās↔ compare
- Regularizēts Gausa jaukto modeļu modelisMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →