Robuuste K-gemiddelden Clustering
Robuuste K-gemiddelden clustering is een uitbreiding van de klassieke k-gemiddelden die cluster schattingen beschermt tegen vervorming veroorzaakt door uitschieters of gecontamineerde waarnemingen. Door een door de gebruiker gespecificeerd fractie van de meest extreme punten te trimmen voordat clustercentra worden bijgewerkt, levert het algoritme stabiele, betekenisvolle partities, zelfs wanneer de gegevens atypische gevallen bevatten die standaard k-gemiddelden ernstig zouden bevooroordelen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/nl/statistics/robust-k-means-clustering
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- ClusteranalyseStatistiek↔ vergelijken
- Mixture ModelingStatistiek↔ vergelijken
- Robuuste Hiërarchische ClusteringStatistiek↔ vergelijken
- Robuuste Mixture ModelleringStatistiek↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →