K-means em Ensemble
K-means em Ensemble executa o agrupamento K-means múltiplas vezes sob inicializações variadas, sementes aleatórias ou subconjuntos de características, e então agrega as partições resultantes em uma única atribuição de consenso. Esta abordagem reduz a sensibilidade bem conhecida do K-means à inicialização e produz agrupamentos mais estáveis e reprodutíveis do que qualquer execução única.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/pt/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.
- Modelo Gaussiano de Mistura em ConjuntoAprendizado de máquina↔ compare
- Agrupamento K-meansAprendizado de máquina↔ compare
- K-means semi-supervisionadoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →