ScholarGate
Pembantu
Machine learningMachine learning

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.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

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

Klusterisasi K-Means Terregulasi
PengeLCManan K-meansModel Campuran Gaussian…

Sumber

  1. 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
  2. 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.

Compare side by side

Dirujuk oleh

ScholarGateRegularized k-means (Regularized K-Means Clustering). Dicapai 2026-06-15 daripada https://scholargate.app/ms/machine-learning/regularized-k-means · Set data: https://doi.org/10.5281/zenodo.20539026