ScholarGate
Assistent
Machine learningMachine learning

Robust k-means

Robust k-means er en variant av klassisk k-means-klynging designet for å motstå innflytelsen fra uteliggere. Ved å trimme en spesifisert brøkdel av de mest ekstreme observasjonene før beregning av klyngesentre, produserer den stabile og meningsfulle partisjoner selv når dataene inneholder støy, kontaminering eller tung-hale fordelinger – situasjoner der standard k-means bryter sammen.

Åpne i MethodMindSnartVideoSnartLast ned lysbilder

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Metodekart

Nabolaget av beslektede metoder — velg en node for å utforske.

Kilder

  1. 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
  2. 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

Slik siterer du denne siden

ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/no/machine-learning/robust-k-means

Hvilken metode?

Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.

Sammenlign side om side

Referert av

ScholarGateRobust k-means (Robust k-means Clustering). Hentet 2026-06-15 fra https://scholargate.app/no/machine-learning/robust-k-means · Datasett: https://doi.org/10.5281/zenodo.20539026