Robust K-means Clustering
Algorytm Robust K-means jest rozszerzeniem klasycznego algorytmu k-średnich, które chroni oszacowania skupień przed zniekształceniami spowodowanymi przez wartości odstające lub obserwacje skażone. Poprzez odrzucenie z góry określonego przez użytkownika ułamka najbardziej ekstremalnych punktów przed aktualizacją centrów skupień, algorytm generuje stabilne, sensowne podziały nawet wtedy, gdy dane zawierają nietypowe przypadki, które silnie zniekształciłyby standardowy algorytm k-średnich.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/pl/statistics/robust-k-means-clustering
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.
- Analiza skupieńStatystyka↔ compare
- Modelowanie mieszaninStatystyka↔ compare
- Odporne grupowanie hierarchiczneStatystyka↔ compare
- Solidne modelowanie mieszaninStatystyka↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →