Clusteringul K-Means Regularizat
Clusteringul k-means regularizat extinde clusteringul k-means standard prin adăugarea unui termen de penalizare — cel mai frecvent o constrângere L1 (de tip lasso) sau L2 — la funcția obiectiv. Aceasta descurajează soluțiile degenerate de cluster și, în varianta rară introdusă de Witten și Tibshirani (2010), selectează simultan caracteristicile care determină separarea clusterelor, făcându-l deosebit de valoros în seturi de date cu dimensionalitate înaltă unde multe caracteristici sunt irelevante.
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
- Witten, D. M., & Tibshirani, R. (2010). A framework for feature selection in clustering. Journal of the American Statistical Association, 105(490), 713–726. DOI: 10.1198/jasa.2010.tm09415 ↗
- K-means clustering. Wikipedia. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/ro/machine-learning/regularized-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.
- Clustering K-meansÎnvățare automată↔ compare
- Model Gaussian Mixt (GMM) RegularizatÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →