Robuuste k-gemiddelden
Robuuste k-gemiddelden is een variant van de klassieke k-gemiddelden clustering, ontworpen om de invloed van uitschieters te weerstaan. Door een gespecificeerd deel van de meest extreme observaties te trimmen voordat de clustercentra worden berekend, produceert het stabiele en betekenisvolle partities, zelfs wanneer de gegevens ruis, contaminatie of zwaarstaartige verdelingen bevatten — situaties waarin standaard k-gemiddelden faalt.
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
- Garcia-Escudero, L. A., & Gordaliza, A. (1999). Robustness properties of k-means and trimmed k-means. Journal of the American Statistical Association, 94(447), 956–969. DOI: 10.2307/2670010 ↗
- Garcia-Escudero, L. A., Gordaliza, A., Matrán, C., & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. Annals of Statistics, 36(3), 1324–1345. DOI: 10.1214/07-AOS515 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/nl/machine-learning/robust-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.
- DBSCANMachine learning↔ compare
- Hiërarchische clusteringMachine learning↔ compare
- K-means ClusteringMachine learning↔ compare
- Spectrale ClusteringMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →