Ensemble K-means
Ensemble K-means kör K-means-klustring många gånger under varierade initialiseringar, slumpmässiga frön eller funktionsdelmängder, aggregerar sedan de resulterande partitionerna till en enda konsensusuppdelning. Detta tillvägagångssätt minskar K-means' välkända känslighet för initialisering och ger mer stabila, reproducerbara kluster än någon enskild körning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Ensemble K-means Clustering (Consensus Clustering). ScholarGate. https://scholargate.app/sv/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 Gaussisk BlandningsmodellMaskininlärning↔ compare
- K-means-klustringMaskininlärning↔ compare
- Halvövervakad K-meansMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →