k-means robust
O k-means robust é uma variante do k-means clássico projetada para resistir à influência de valores atípicos (outliers). Ao aparar uma fração especificada das observações mais extremas antes de calcular os centros dos clusters, ele produz partições estáveis e significativas mesmo quando os dados contêm ruído, contaminação ou distribuições de caudas pesadas — situações em que o k-means padrão falha.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/pt/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.
- DBSCANAprendizado de máquina↔ compare
- Agrupamento HierárquicoAprendizado de máquina↔ compare
- Agrupamento K-meansAprendizado de máquina↔ compare
- Agrupamento EspectralAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →