Pengelompokan K-means Teguh
Pengelompokan K-means teguh ialah lanjutan daripada k-means klasik yang melindungi anggaran kelompok daripada herotan yang disebabkan oleh pencilan atau pemerhatian yang tercemar. Dengan memangkas sebahagian yang ditentukan pengguna daripada titik paling ekstrem sebelum mengemas kini pusat kelompok, algoritma ini menghasilkan partisyen yang stabil dan bermakna walaupun data mengandungi kes yang tidak tipikal yang akan sangat berat sebelah terhadap k-means standard.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/ms/statistics/robust-k-means-clustering
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Analisis KelompokStatistik↔ banding
- Pemodelan CampuranStatistik↔ banding
- Robust Hierarchical ClusteringStatistik↔ banding
- Pemodelan Campuran TeguhStatistik↔ banding
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →