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.
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
- 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 ↗
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.
- Klasteru analīzeStatistika↔ compare
- Jaukto sadalījumu modelēšanaStatistika↔ compare
- Robusta hierarhiskā klasterēšanaStatistika↔ compare
- Robusta maisījumu modelēšanaStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →