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.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
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.
- دیبیاسکنیادگیری ماشین↔ compare
- درخت تصمیمیادگیری ماشین↔ compare
- خوشهبندی سلسلهمراتبییادگیری ماشین↔ compare
- خوشهبندی K-Meansیادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →