Regularized K-Means Clustering
Regularized k-means เป็นการขยายผลจาก k-means แบบมาตรฐาน โดยการเพิ่มพจน์การลงโทษ (penalty term) ซึ่งส่วนใหญ่มักจะเป็นข้อจำกัดแบบ L1 (lasso-type) หรือ L2 เข้าไปในฟังก์ชันวัตถุประสงค์ (objective function) วิธีนี้ช่วยลดโอกาสเกิดผลลัพธ์การจัดกลุ่มที่เสื่อมสภาพ (degenerate cluster solutions) และในรูปแบบ sparse ที่นำเสนอโดย Witten และ Tibshirani (2010) ยังสามารถเลือกคุณลักษณะ (features) ที่ขับเคลื่อนการแยกกลุ่มไปพร้อมกันได้ ทำให้มีคุณค่าอย่างยิ่งในการตั้งค่าที่มีมิติสูง (high-dimensional settings) ซึ่งคุณลักษณะจำนวนมากไม่เกี่ยวข้อง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Witten, D. M., & Tibshirani, R. (2010). A framework for feature selection in clustering. Journal of the American Statistical Association, 105(490), 713–726. DOI: 10.1198/jasa.2010.tm09415 ↗
- K-means clustering. Wikipedia. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized K-Means Clustering. ScholarGate. https://scholargate.app/th/machine-learning/regularized-k-means
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การจัดกลุ่มแบบ K-meansการเรียนรู้ของเครื่อง↔ compare
- Regularized Gaussian Mixture Modelการเรียนรู้ของเครื่อง↔ compare