K-Means Explicable
K-Means Explicable est une approche d'interprétabilité post-hoc et in-model de l'algorithme K-Means standard qui remplace ou approxime les affectations de clusters par un petit arbre de décision aligné sur les axes. Chaque feuille de l'arbre correspond à un cluster, et chaque point de données est affecté à un cluster en suivant une séquence simple de règles de seuil sur des caractéristiques individuelles, rendant l'appartenance au cluster entièrement transparente et lisible par l'homme.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/fr/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.
- DBSCANApprentissage automatique↔ compare
- Arbre de décisionApprentissage automatique↔ compare
- Regroupement hiérarchiqueApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →