Skaidrojamais K-Means
Skaidrojamais K-Means ir pēct hoc un in-model interpretācijas pieeja standarta K-Means klasterēšanai, kas aizstāj vai aproksimē klasteru piešķiršanu ar nelielu asi-apzīmējošu lēmumu koku. Katra koka lapa atbilst vienam klasterim, un katrs datu punkts tiek piešķirts klasterim, izpildot vienkāršu sliekšņu noteikumu secību attiecībā uz atsevišķām iezīmēm — padarot klasteru dalību pilnībā caurspīdīgu un cilvēciski salasāmu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/lv/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.
- DBSCANMašīnmācīšanās↔ compare
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- Hierarhiskā klasterizācijaMašīnmācīšanās↔ compare
- K-Means klasterizācijaMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →