ScholarGate
Assistent
Machine learningMachine learning

Geregulariseerde K-Means Clustering

Geregulariseerde k-means breidt standaard k-means uit door een strafterm toe te voegen — meestal een L1 (lasso-achtige) of L2 beperking — aan de doelfunctie. Dit ontmoedigt ontaarde clusteroplossingen en selecteert, in de sparse variant geïntroduceerd door Witten en Tibshirani (2010), gelijktijdig de kenmerken die de clusterseparatie aansturen, wat het bijzonder waardevol maakt in hoog-dimensionale settings waar veel kenmerken irrelevant zijn.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Method map

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

Geregulariseerde K-Means Clustering
K-means ClusteringGeregulariseerd Gaussisc…

Bronnen

  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

Deze pagina citeren

ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/nl/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

Geciteerd door

ScholarGateRegularized k-means (Regularized K-Means Clustering). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/machine-learning/regularized-k-means · Gegevensset: https://doi.org/10.5281/zenodo.20539026