Robust K-means-klustring
Robust K-means-klustring är en utökning av klassisk k-means som skyddar klusteruppskattningar från snedvridning orsakad av extremvärden eller kontaminerade observationer. Genom att trimma en användarspecificerad andel av de mest extrema punkterna innan klustercentra uppdateras, ger algoritmen stabila, meningsfulla partitioner även när data innehåller atypiska fall som skulle snedvrida standard k-means allvarligt.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Robust K-means Clustering. ScholarGate. https://scholargate.app/sv/statistics/robust-k-means-clustering
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- KlusteranalysStatistik↔ jämför
- Mixture ModelingStatistik↔ jämför
- Robust hierarkisk klustringStatistik↔ jämför
- Robust blandningsmodelleringStatistik↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →