Robust k-means
Robust k-means — це варіант класичного k-середніх кластеризації, розроблений для стійкості до впливу викидів. Відкидаючи певну частку найбільш екстремальних спостережень перед обчисленням центрів кластерів, він забезпечує стабільні та значущі розділення навіть тоді, коли дані містять шум, забруднення або розподіли з важкими хвостами — ситуації, в яких стандартний k-середніх дає збій.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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. DOI: 10.2307/2670010 ↗
- Garcia-Escudero, L. A., Gordaliza, A., Matrán, C., & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. Annals of Statistics, 36(3), 1324–1345. DOI: 10.1214/07-AOS515 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Robust k-means Clustering. ScholarGate. https://scholargate.app/uk/machine-learning/robust-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.
- DBSCANМашинне навчання↔ compare
- Ієрархічна кластеризаціяМашинне навчання↔ compare
- Кластеризація методом k-середніхМашинне навчання↔ compare
- Спектральне кластеризаціяМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →