Robust k-means
Robust k-means är en variant av klassisk k-means-klustring utformad för att motstå påverkan från extremvärden. Genom att trimma en specificerad andel av de mest extrema observationerna innan klustercentrum beräknas, producerar den stabila och meningsfulla partitioner även när data innehåller brus, kontaminering eller tungsvansade fördelningar – situationer där standard k-means bryter samman.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/sv/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.
- DBSCANMaskininlärning↔ compare
- Hierarkisk klustringMaskininlärning↔ compare
- K-means-klustringMaskininlärning↔ compare
- SpektralklusteranalysMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →