Latent structureMultivariate analysis

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.

Zastosuj w StatMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

The neighbourhood of related methods — select a node to explore.

Źródła

  1. 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
  2. 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.

Compare side by side

Cytowana przez

ScholarGateRobust K-means Clustering (Robust K-means Clustering). Pobrano 2026-06-15 z https://scholargate.app/pl/statistics/robust-k-means-clustering · Zbiór danych: https://doi.org/10.5281/zenodo.20539026