Machine learningMachine learning
K-Means ניתן להסבר
K-Means ניתן להסבר (Explainable K-Means) הוא גישה של פרשנות לאחר-מעשה (post-hoc) ובתוך-המודל (in-model) ל-K-Means סטנדרטי, המחליפה או מקרבת את השיוכים לאשכולות באמצעות עץ החלטה קטן המבוסס על צירים. כל עלה בעץ מייצג אשכול אחד, וכל נקודת נתונים משויכת לאשכול על ידי מעקב אחר רצף פשוט של כללי סף על תכונות בודדות – מה שהופך את חברות באשכול לשקופה וקריאה לחלוטין לבני אדם.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/he/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.
- DBSCANלמידת מכונה↔ compare
- עץ החלטהלמידת מכונה↔ compare
- אשכול היררכילמידת מכונה↔ compare
- אשכול K-Meansלמידת מכונה↔ compare
- יער אקראילמידת מכונה↔ compare