Ensemble K-means
Ensemble K-means wykonuje klasteryzację K-średnich wielokrotnie przy zmiennych inicjalizacjach, ziarnach losowych lub podzbiorach cech, a następnie agreguje uzyskane partycje w jedno przypisanie konsensusowe. To podejście redukuje dobrze znana wrażliwość K-średnich na inicjalizację i daje stabilniejsze, powtarzalne klastry niż pojedyncze uruchomienie.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/pl/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 Gaussian Mixture ModelUczenie maszynowe↔ compare
- Grupowanie K-średnich (K-means Clustering)Uczenie maszynowe↔ compare
- Półnadzorowane K-meansUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →