Ensemble K-means
Ensemble K-means spúšťa K-means zhlukovanie mnohokrát pri rôznych inicializáciách, náhodných seedoch alebo podmnožinách príznakov, potom agreguje výsledné particie do jedného konsenzuálneho priradenia. Tento prístup znižuje dobre známu citlivosť K-means na inicializáciu a produkuje stabilnejšie, reprodukovateľnejšie zhluky ako akýkoľvek jednotlivý beh.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/sk/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.
- Ensemble Gaussovských Zmesových ModelovStrojové učenie↔ compare
- Zhlukovanie K-meansStrojové učenie↔ compare
- Poloučité učenie K-meansStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →