Vysvětlitelné K-Means
Vysvětlitelné K-Means je post-hoc a in-modelový přístup k interpretovatelnosti standardního shlukování K-Means, který nahrazuje nebo aproximuje přiřazení shluků malým rozhodovacím stromem zarovnaným s osami. Každý list stromu odpovídá jednomu shluku a každý datový bod je přiřazen ke shluku sledováním jednoduché sekvence prahových pravidel pro jednotlivé rysy – čímž se členství ve shluku stává plně transparentním a lidsky čitelným.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Dasgupta, S., Frost, N., Moshkovitz, M., & Rashtchian, C. (2020). Explainability of k-Means Clustering. Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119. link ↗
- Moshkovitz, M., Dasgupta, S., Rashtchian, C., & Frost, N. (2020). Explainable k-Means and k-Medians Clustering. Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/cs/machine-learning/explainable-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.
- DBSCANStrojové učení↔ compare
- Rozhodovací stromStrojové učení↔ compare
- Hierarchické shlukováníStrojové učení↔ compare
- K-Means shlukováníStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →