Надійний k-середніх кластеризації
Надійний k-середніх кластеризації є розширенням класичного k-середніх, яке захищає оцінки кластерів від спотворень, спричинених викидами або забрудненими спостереженнями. Обрізаючи користувацько визначену частку найбільш екстремальних точок перед оновленням центрів кластерів, алгоритм дає стабільні, значущі розбиття навіть тоді, коли дані містять нетипові випадки, які б сильно змістили стандартний k-середніх.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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. DOI: 10.1214/aos/1031833664 ↗
- García-Escudero, L. A., Gordaliza, A., Matrán, C., & Mayo-Iscar, A. (2008). A general trimming approach to robust cluster analysis. The 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/statistics/robust-k-means-clustering
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Кластерний аналізСтатистика↔ порівняти
- Моделювання сумішейСтатистика↔ порівняти
- Надійна ієрархічна кластеризаціяСтатистика↔ порівняти
- Робастне моделювання сумішейСтатистика↔ порівняти
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →