K-means de ansamblu
K-means de ansamblu rulează algoritmul K-means de multe ori, sub diverse inițializări, semințe aleatoare sau subseturi de caracteristici, apoi agregă partițiile rezultate într-o singură atribuire de consens. Această abordare reduce sensibilitatea bine-cunoscută a K-means la inițializare și produce clustere mai stabile și reproductibile decât orice rulare individuală.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/ro/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.
- Modelul Gaussian Mixt de AnsambluÎnvățare automată↔ compare
- Clustering K-meansÎnvățare automată↔ compare
- K-means semi-supervizatÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →