เปรียบเทียบวิธี

	Robust k-means	DBSCAN
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1999	1996
ผู้ริเริ่ม	Garcia-Escudero, L. A. & Gordaliza, A.	Ester, M., Kriegel, H.-P., Sander, J. & Xu, X.
ประเภท	Robust clustering algorithm	Density-based clustering algorithm
แหล่งต้นตำรับ	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.	Ester, M., Kriegel, H.-P., Sander, J. & Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of the 2nd KDD, 226–231.
ชื่อเรียกอื่น	robust k-means clustering, trimmed k-means, outlier-resistant k-means, RKM	DBSCAN Kümeleme, density-based clustering, density-based spatial clustering
ที่เกี่ยวข้อง	4	3
สรุป	Robust k-means is a variant of classical k-means clustering designed to resist the influence of outliers. By trimming a specified fraction of the most extreme observations before computing cluster centers, it produces stable and meaningful partitions even when the data contain noise, contamination, or heavy-tailed distributions — situations where standard k-means breaks down.	DBSCAN is a density-based clustering algorithm, introduced by Ester, Kriegel, Sander and Xu in 1996, that groups together points lying in dense regions and flags points in sparse regions as noise. It is effective on noisy data and on clusters of irregular, non-spherical shapes.