Machine learningMachine learning

K-Means قابل توضیح (Explainable K-Means)

K-Means قابل توضیح یک رویکرد پسینی (post-hoc) و درون‌مدلی (in-model) برای تفسیرپذیری الگوریتم استاندارد خوشه‌بندی K-Means است که تخصیص‌های خوشه‌ای را با یک درخت تصمیم کوچک و هم‌راستا با محورها جایگزین یا تقریب می‌زند. هر برگ درخت متناظر با یک خوشه است و هر نقطه داده با دنبال کردن یک توالی ساده از قوانین آستانه بر روی ویژگی‌های منفرد، به یک خوشه تخصیص داده می‌شود — که عضویت در خوشه را کاملاً شفاف و قابل خواندن توسط انسان می‌سازد.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

منابع

  1. 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
  2. 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

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/fa/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.

Compare side by side

ارجاع‌شده در

ScholarGateExplainable K-Means (Explainable K-Means Clustering). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/machine-learning/explainable-k-means · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026