Selitettävä K-Means
Selitettävä K-Means on standardin K-Means-klusteroinnin jälkikäteinen ja mallinsisäinen tulkittavuusmenetelmä, joka korvaa tai approksimoi klusterimääritykset pienellä akselitasoisella päätöspuulla. Puun jokainen lehti vastaa yhtä klusteria, ja jokainen datapiste määrätään klusteriin seuraamalla yksinkertaista sääntöjoukkoa, joka perustuu yksittäisten piirteiden raja-arvoihin – tehden klusterijäsenyydestä täysin läpinäkyvän ja ihmisluettavan.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/fi/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.
- DBSCANKoneoppiminen↔ compare
- PäätöspuuKoneoppiminen↔ compare
- Hierarkkinen ryvästyminenKoneoppiminen↔ compare
- K-Means-klusterointiKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →