เปรียบเทียบวิธี

	Robust k-means	การจัดกลุ่มแบบลำดับชั้น	การจัดกลุ่มแบบ K-means
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning	Machine learning
ปีกำเนิด	1999	1963	1967 (formalized 1982)
ผู้ริเริ่ม	Garcia-Escudero, L. A. & Gordaliza, A.	Ward, J. H.	MacQueen, J. B.; Lloyd, S. P.
ประเภท	Robust clustering algorithm	Unsupervised clustering (agglomerative)	Partitional clustering
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.	Ward, J. H. (1963). Hierarchical Grouping to Optimize an Objective Function. Journal of the American Statistical Association, 58(301), 236–244.	Lloyd, S. P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137.
ชื่อเรียกอื่น	robust k-means clustering, trimmed k-means, outlier-resistant k-means, RKM	Hiyerarşik Kümeleme, hiyerarşik kümeleme, agglomerative clustering, hierarchical agglomerative clustering	k-means clustering, Lloyd's algorithm, k-means partitioning, hard k-means
ที่เกี่ยวข้อง	4	4	4
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.	Hierarchical clustering is an unsupervised method that groups observations into nested clusters and draws the result as a dendrogram, so the number of clusters need not be fixed in advance. Its agglomerative form rests on the objective-function grouping criterion introduced by Joe Ward in 1963.	K-means is a classic unsupervised partitional clustering algorithm that divides a dataset into K non-overlapping groups by iteratively assigning each observation to its nearest centroid and updating centroids as the mean of their assigned points. It is one of the most widely used exploratory tools in machine learning and data analysis.