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.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
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.
- K-means ClusteringMachine learning↔ compare
- Geregulariseerd Gaussisch Mixture ModelMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →