Objašnjivi K-Means
Objašnjivi K-Means je post-hoc i in-model pristup interpretiranosti standardnog K-Means klasteriranja koji zamjenjuje ili aproksimira dodjele klastera malim, osno-poravnatim stablima odlučivanja. Svaki list stabla odgovara jednom klasteru, a svaka podatkovna točka dodjeljuje se klasteru slijedeći jednostavan niz pravila pragova na pojedinačnim značajkama — čineći članstvo u klasteru potpuno transparentnim i čitljivim za ljude.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/hr/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.
- DBSCANStrojno učenje↔ compare
- Stablo odlučivanjaStrojno učenje↔ compare
- Hijerarhijsko grupiranjeStrojno učenje↔ compare
- K-Means klasteriranjeStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →