Robust k-means
Robust k-means to wariant klasycznego algorytmu k-średnich, zaprojektowany w celu odporności na wpływ wartości odstających. Poprzez odrzucenie określonego ułamka najbardziej ekstremalnych obserwacji przed obliczeniem centrów klastrów, algorytm ten generuje stabilne i znaczące podziały, nawet gdy dane zawierają szum, zanieczyszczenia lub rozkłady o grubych ogonach — sytuacje, w których standardowy algorytm k-średnich zawodzi.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/pl/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.
- DBSCANUczenie maszynowe↔ compare
- Klasteryzacja hierarchicznaUczenie maszynowe↔ compare
- Grupowanie K-średnich (K-means Clustering)Uczenie maszynowe↔ compare
- Klastrowanie spektralneUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →