This HTML5 document contains 12 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Subject Item

dbr:K-medoids

owl:sameAs

dbpedia-es:K-medoids

Subject Item

wikipedia-es:K-medoids

foaf:primaryTopic

dbpedia-es:K-medoids

Subject Item

dbpedia-es:K-medoids

rdfs:label

K-medoids

rdfs:comment

k-medoids es un algoritmo de agrupamiento (del inglés clustering) relacionado con los algoritmos k-means y . Tanto el k-medoids como el k-means son algoritmos que trabajan con particiones (dividiendo el conjunto de datos en grupos) y ambos intentan minimizar la distancia entre puntos que se añadirían a un grupo y otro punto designado como el centro de ese grupo. En contraste con el algoritmo k-means, k-medoids escoge datapoints como centros y trabaja con una métrica arbitraria de distancias entre datapoints en vez de usar la norma . En 1987 se propuso este método para el trabajo con la norma y otras distancias.

dct:subject

category-es:Algoritmos category-es:Minería_de_datos

foaf:isPrimaryTopicOf

wikipedia-es:K-medoids

dbo:wikiPageID

7701494

dbo:wikiPageRevisionID

126956680

dbo:wikiPageLength

10327

prov:wasDerivedFrom

n4:0

dbo:abstract

k-medoids es un algoritmo de agrupamiento (del inglés clustering) relacionado con los algoritmos k-means y . Tanto el k-medoids como el k-means son algoritmos que trabajan con particiones (dividiendo el conjunto de datos en grupos) y ambos intentan minimizar la distancia entre puntos que se añadirían a un grupo y otro punto designado como el centro de ese grupo. En contraste con el algoritmo k-means, k-medoids escoge datapoints como centros y trabaja con una métrica arbitraria de distancias entre datapoints en vez de usar la norma . En 1987 se propuso este método para el trabajo con la norma y otras distancias. K-medoid es una técnica clásica de particionado de grupos que divide los datos conformados por n objetos en k grupos (con k conocido de antemano). Es más robusto ante el ruido y a partes aisladas que k-means porque minimiza una suma de disimilaridades (entre pares de puntos) en vez de una suma de distancias euclidianas cuadradas. Un puede ser definido como el objeto de un grupo cuya disimilaridad media a todos los objetos en el grupo es mínima. Es el punto ubicado más hacia el centro en todo el grupo.