Робастный k-средних
Робастный k-средних — это вариант классического алгоритма k-средних, разработанный для устойчивости к влиянию выбросов. Путем отбрасывания заданной доли наиболее экстремальных наблюдений перед вычислением центров кластеров, он обеспечивает стабильное и осмысленное разбиение даже при наличии шума, загрязнения данных или распределений с тяжелыми хвостами — ситуаций, в которых стандартный k-средних дает сбой.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/ru/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.
- DBSCANМашинное обучение↔ compare
- Иерархическая кластеризацияМашинное обучение↔ compare
- Кластеризация методом k-среднихМашинное обучение↔ compare
- Спектральная кластеризацияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →