Machine learningMachine learning
説明可能なK-Means
説明可能なK-Meansは、標準的なK-Meansクラスタリングに対する事後的およびモデル内解釈可能性のアプローチであり、クラスタ割り当てを小さな軸並行決定木で置き換えまたは近似します。木の各葉は1つのクラスタに対応し、すべてのデータポイントは個々の特徴に対する単純な閾値ルールのシーケンスに従うことでクラスタに割り当てられます。これにより、クラスタメンバーシップは完全に透明で人間が読めるものになります。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/ja/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.
- DBSCAN機械学習↔ compare
- 決定木機械学習↔ compare
- 階層的クラスタリング機械学習↔ compare
- K平均法クラスタリング機械学習↔ compare
- ランダムフォレスト機械学習↔ compare