Klusterisasi K-Means Terregulasi
K-means terregulasi memperluas k-means standar dengan menambahkan sebutan penalti — paling umum batasan L1 (tipe lasso) atau L2 — pada fungsi objektif. Ini mencegah solusi kluster yang degeneratif dan, dalam varian jarang yang diperkenalkan oleh Witten dan Tibshirani (2010), secara simultan memilih fitur-fitur yang mendorong pemisahan kluster, menjadikannya sangat berharga dalam pengaturan berdimensi tinggi di mana banyak fitur tidak relevan.
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/ms/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.
- PengeLCManan K-meansPembelajaran Mesin↔ compare
- Model Campuran Gaussian TerregulasiPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →