เปรียบเทียบวิธี

	Robust Hierarchical Clustering	การจัดกลุ่มแบบ K-means ที่ทนทาน
สาขาวิชา	สถิติศาสตร์	สถิติศาสตร์
ตระกูล	Latent structure	Latent structure
ปีกำเนิด	1990	1997
ผู้ริเริ่ม	Kaufman & Rousseeuw (building on Ward, 1963 and others)	Cuesta-Albertos, Gordaliza & Matrán
ประเภท	Robust unsupervised clustering	Robust partitional clustering
แหล่งต้นตำรับ	Kaufman, L. & Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley. ISBN: 978-0471878766	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.
ชื่อเรียกอื่น	robust agglomerative clustering, outlier-resistant hierarchical clustering, robust linkage clustering, RHC	trimmed k-means, TCLUST k-means, contamination-resistant k-means, outlier-robust clustering
ที่เกี่ยวข้อง	5	4
สรุป	Robust hierarchical clustering extends classical agglomerative or divisive hierarchical clustering by replacing sensitive distance measures and linkage criteria with outlier-resistant alternatives, preserving cluster structure even when data contain anomalous observations or heavy-tailed distributions.	Robust K-means clustering is an extension of classical k-means that protects cluster estimates from distortion caused by outliers or contaminated observations. By trimming a user-specified fraction of the most extreme points before updating cluster centers, the algorithm yields stable, meaningful partitions even when the data contain atypical cases that would severely bias standard k-means.