K-Means yang Dapat Dijelaskan
K-Means yang Dapat Dijelaskan adalah pendekatan interpretasi pasca-hoc dan dalam model untuk pengelompokan K-Means standar yang menggantikan atau memperkirakan penugasan klaster dengan pohon keputusan yang disejajarkan sumbu kecil. Setiap daun pohon sesuai dengan satu klaster, dan setiap titik data ditugaskan ke klaster dengan mengikuti urutan aturan ambang batas sederhana pada fitur individual — membuat keanggotaan klaster sepenuhnya transparan dan dapat dibaca manusia.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/id/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.
- DBSCANPembelajaran Mesin↔ compare
- Pohon KeputusanPembelajaran Mesin↔ compare
- Pengelompokan HirarkisPembelajaran Mesin↔ compare
- Klasterisasi K-MeansPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →