Metoda k-mediană

Metoda -median $k$ [1] [2] este o variație a metodei -averages utilizată în statistică și învățare automată pentru probleme de clustering , unde mediana este calculată în loc de medie pentru a determina centroidul clusterului . Această abordare corespunde minimizării erorii asupra tuturor clusterelor într-o metrică cu 1 normă , în loc de metrica cu 2 norme utilizată în metoda standard - mijloace. $k$ $k$

Sarcina determinării -medianelor este de a găsi astfel de centre încât clusterele formate de acestea să fie cele mai „compacte”. În mod formal, având în vedere punctele de date , centrele ar trebui alese astfel încât să se minimizeze suma distanțelor de la fiecare la cel mai apropiat . $k$ $k$ $x_{i}$ $k$ $c_{j)$ $x_{i}$ $c_{j)$

Metoda uneori funcționează mai bine decât metoda -means, unde suma distanțelor pătrate este minimizată. Criteriul sumei distanțelor este utilizat pe scară largă pentru problemele de transport [3] . $k$

O altă alternativă este metoda -medoids , în care se caută medoidul optim , și nu mediana clusterului (medoidul este unul dintre punctele de date, în timp ce medianele nu trebuie să fie).

Link -uri

↑ A. K. Jain și R. C. Dubes, Algoritmi pentru gruparea datelor: Prentice-Hall, 1981.
↑ PS Bradley, OL Mangasarian și WN Street, „Clustering via Concave Minimization”, în Advances in Neural Information Processing Systems, vol. 9, MC Mozer, MI Jordan și T. Petsche, Eds. Cambridge, MA: MIT Press, 1997, pp. 368-374.
↑ Copie arhivată . Consultat la 24 octombrie 2010. Arhivat din original la 3 aprilie 2022. (nedefinit)

Rău
Matematica	Puterea medie ( ponderată ) medie armonică ponderat medie geometrică ponderat In medie ponderat rădăcină medie pătrată Cubic mediu medie mobilă Media aritmetică-geometrică Funcție medie Kolmogorov înseamnă
Geometrie	centru geometric Barycenter
Teoria probabilității și statistica matematică	Winsorized înseamnă eșantion mediu Valorea estimata Median Modă deviație standard Medie trunchiată Așteptarea condiționată
Tehnologia de informație	Medoid metoda k-mediană
Teoreme	Prima teoremă medie A doua teoremă medie Inegalitatea cu privire la media aritmetică, geometrică și armonică
Alte	Valorile centrului de distribuție

Învățare automată și extragerea datelor
Sarcini	Problema de clasificare Învățați fără profesor Învățare asistată de profesor Analiza regresiei AutoML Regulile de asociere Extragerea caracteristicilor Antrenamentul trăsăturilor Antrenament de clasare Derivarea gramaticală Învățare online
Învățarea cu un profesor	metoda k-cel mai apropiat vecin Clasificator naiv Bayes arborele de decizie Suport mașină vectorială Regresie liniara Regresie logistică perceptron Ansambluri de modele Bagare stimularea pădure la întâmplare Metoda vectorială relevantă
analiza grupului	metoda k-means Metoda de grupare fuzzy Gruparea ierarhică algoritmul EM MESTEACĂN VINDECA DBSCAN OPTICA Schimbare medie
Reducerea dimensionalității	Analiza factorilor Metoda componentei principale CCA ICA LDA Expansiunea nenegativă a matricei t-SNE
Prognoza structurală	Modelul probabilistic grafic Rețeaua bayesiană Modelul Markov ascuns CRF
Detectarea anomaliilor	metoda k-cel mai apropiat vecin Nivelul de emisie local
Modele grafice probabilistice	Rețeaua bayesiană Rețeaua Markov Modelul Markov ascuns
Rețele neuronale	Mașină Boltzmann limitată hartă de auto-organizare Funcția de activare Sigmoid softmax Funcția de bază radială Metoda de propagare înapoi Invatare profunda Perceptron multistrat Rețea neuronală recurentă memorie pe termen lung și scurt Bloc recurent controlat Rețeaua neuronală convoluțională U-Net Autoencoder
Consolidarea învățării	procesul Markov Ecuația Bellman Algoritmul lacom Q-learning SARSA Diferența temporală (TD)
Teorie	Teoria Vapnik-Chervonenkis Dilema părtinire-dispersie Teoria învățării computaționale Minimizarea riscului empiric Occam învață Învățarea PAC Teoria învăţării statistice
Reviste și conferințe	NeurIPS ICML ML JMLR ArXiv:cs.LG