เปรียบเทียบวิธี

	Ensemble K-means	แบบจำลองเกาส์เซียนผสมแบบรวม (Ensemble Gaussian Mixture Model)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2002	2000s
ผู้ริเริ่ม	Strehl, A. & Ghosh, J.	Combination of GMM (Dempster et al., 1977) and ensemble learning (Dietterich, 2000)
ประเภท	Ensemble clustering (consensus aggregation of K-means partitions)	Ensemble of probabilistic generative models
แหล่งต้นตำรับ	Strehl, A. & Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3, 583–617.	Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9: Mixture Models and EM). Springer. ISBN: 978-0-387-31073-2
ชื่อเรียกอื่น	consensus K-means, K-means ensemble clustering, cluster ensemble with K-means, EKM	E-GMM, GMM ensemble, mixture model ensemble, ensemble GMM
ที่เกี่ยวข้อง	3	4
สรุป	Ensemble K-means runs K-means clustering many times under varied initializations, random seeds, or feature subsets, then aggregates the resulting partitions into a single consensus assignment. This approach reduces K-means' well-known sensitivity to initialization and produces more stable, reproducible clusters than any single run.	Ensemble Gaussian Mixture Model (E-GMM) combines multiple independently fitted Gaussian Mixture Models to improve density estimation, clustering stability, and anomaly detection. By averaging or aggregating the probabilistic outputs of several GMMs — each trained on a different data subset or random initialization — the ensemble reduces sensitivity to local optima and random seed choice, yielding more robust and reliable results than any single GMM.