ScholarGate
Assistente
Machine learningMachine learning

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.

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

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

Fontes

  1. 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
  2. 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.

Compare side by side

Referenciado por

ScholarGateRobust k-means (Robust k-means Clustering). Recuperado em 2026-06-15 de https://scholargate.app/pt/machine-learning/robust-k-means · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026