Latent structureMultivariate analysis

Robust K-means Clustering

Robust K-means k-grupu metodikas paplašinājums, kas aizsargā kopu aplēses no izkropļojumiem, ko izraisa ārējās vērtības vai piesārņoti novērojumi. Pirms kopu centru atjaunināšanas apgriežot lietotāja norādītu ekstrēmo punktu daļu, algoritms nodrošina stabilas, jēgpilnas sadalījumus pat tad, ja dati satur netipiskus gadījumus, kas nopietni aizspriestu standarta k-means metodi.

Pielietot ar StatMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Method map

The neighbourhood of related methods — select a node to explore.

Avoti

  1. 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
  2. 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

Kā citēt šo lapu

ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/lv/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

Uz to atsaucas

ScholarGateRobust K-means Clustering (Robust K-means Clustering). Izgūts 2026-06-15 no https://scholargate.app/lv/statistics/robust-k-means-clustering · Datu kopa: https://doi.org/10.5281/zenodo.20539026