Ensemble K-means
Ensemble K-means menjalankan pengelompokan K-means berkali-kali di bawah inisialisasi, benih rawak, atau subset ciri yang berbeza, kemudian menggabungkan partisyen yang terhasil menjadi satu tugasan yang bersetuju. Pendekatan ini mengurangkan kepekaan K-means yang terkenal terhadap inisialisasi dan menghasilkan kelompok yang lebih stabil dan boleh diterbitkan semula berbanding satu larian tunggal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/ms/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.
- Model Gabungan Taburan Gaussian (Ensemble Gaussian Mixture Model)Pembelajaran Mesin↔ compare
- PengeLCManan K-meansPembelajaran Mesin↔ compare
- K-means separa-pengawasanPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →