Erklärbares K-Means
Erklärbares K-Means ist ein Post-hoc- und In-Model-Interpretierbarkeitsansatz für das Standard-K-Means-Clustering, der Clusterzuweisungen durch einen kleinen achsenparallelen Entscheidungsbaum ersetzt oder annähert. Jeder Blattknoten des Baumes entspricht einem Cluster, und jeder Datenpunkt wird durch eine einfache Abfolge von Schwellenwertregeln für einzelne Merkmale einem Cluster zugewiesen – wodurch die Clusterzugehörigkeit vollständig transparent und für Menschen lesbar wird.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/de/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.
- DBSCANMaschinelles Lernen↔ compare
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Hierarchische ClusteranalyseMaschinelles Lernen↔ compare
- K-Means-ClusteringMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →