Ensemble K-means
Ensemble K-means kjører K-means-klynging mange ganger under varierende initialiseringer, tilfeldige frø eller delmengder av trekk, og aggregerer deretter de resulterende partisjonene til en enkelt konsensus-tildeling. Denne tilnærmingen reduserer K-means' velkjente følsomhet for initialisering og produserer mer stabile, reproduserbare klynger enn en enkelt kjøring.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Strehl, A. & Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3, 583–617. link ↗
- Monti, S., Tamayo, P., Mesirov, J. & Golub, T. (2003). Consensus clustering: a resampling-based method for class discovery and visualization of gene expression microarray data. Machine Learning, 52, 91–118. DOI: 10.1023/A:1023949509487 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/no/machine-learning/ensemble-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.
- Ensemble Gaussisk BlandingsmodellMaskinlæring↔ compare
- K-means klyngeanalyseMaskinlæring↔ compare
- Semi-veilet K-meansMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →