Machine learningMachine learning
설명 가능한 K-평균
설명 가능한 K-평균(Explainable K-Means)은 표준 K-평균 군집화에 대한 사후(post-hoc) 및 모델 내(in-model) 해석 가능성 접근 방식으로, 군집 할당을 작은 축 정렬(axis-aligned) 의사결정 트리로 대체하거나 근사합니다. 트리의 각 리프는 하나의 군집에 해당하며, 모든 데이터 포인트는 개별 특징에 대한 간단한 임계값 규칙 시퀀스를 따라 군집에 할당됩니다. 이는 군집 멤버십을 완전히 투명하고 사람이 읽을 수 있도록 만듭니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/ko/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.
Compare side by side →