Robust k-means
Robust k-means ir klasiskā k-means klasterizācijas variants, kas izstrādāts, lai pretotos ārējo vērtību (outliers) ietekmei. Apgriežot noteiktu īpatsvaru no visattālākajiem novērojumiem pirms klasteru centru aprēķināšanas, tas nodrošina stabilas un jēgpilnas sadalījumus pat tad, ja dati satur troksni, piesārņojumu vai smagāku astes sadalījumus — situācijās, kurās standarta k-means nedarbojas.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/lv/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.
- DBSCANMašīnmācīšanās↔ compare
- Hierarhiskā klasterizācijaMašīnmācīšanās↔ compare
- K-means klasterizācijaMašīnmācīšanās↔ compare
- Spektrālā klasterizācijaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →