K-means Robusto
O K-means robusto é uma extensão do k-means clássico que protege as estimativas de cluster contra distorções causadas por valores atípicos (outliers) ou observações contaminadas. Ao aparar (trimming) uma fração especificada pelo usuário dos pontos mais extremos antes de atualizar os centros dos clusters, o algoritmo produz partições estáveis e significativas mesmo quando os dados contêm casos atípicos que distorceriam severamente o k-means padrão.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/pt/statistics/robust-k-means-clustering
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Análise de ClusterEstatística↔ comparar
- Modelagem de MisturasEstatística↔ comparar
- Agrupamento Hierárquico RobustoEstatística↔ comparar
- Modelagem de Mistura RobustaEstatística↔ comparar
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →