Робастный k-средних кластеризация
Робастная k-средних кластеризация является расширением классического k-средних, которое защищает оценки кластеров от искажений, вызванных выбросами или загрязненными наблюдениями. Обрезая заданную пользователем долю наиболее крайних точек перед обновлением центров кластеров, алгоритм обеспечивает стабильные, осмысленные разбиения даже при наличии в данных нетипичных случаев, которые сильно сместили бы стандартный k-средних.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/ru/statistics/robust-k-means-clustering
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Кластерный анализСтатистика↔ сравнить
- Моделирование смесейСтатистика↔ сравнить
- Робастная иерархическая кластеризацияСтатистика↔ сравнить
- Робастное моделирование смесейСтатистика↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →