K-Means Boleh Terang
K-Means Boleh Terang ialah pendekatan kebolehinterpretasian pasca-hoc dan dalam model kepada pengelompokan K-Means standard yang menggantikan atau menghampiri tugasan kelompok dengan pokok keputusan kecil yang sejajar paksi. Setiap daun pokok sepadan dengan satu kelompok, dan setiap titik data ditugaskan kepada kelompok dengan mengikut urutan mudah peraturan ambang pada ciri-ciri individu — menjadikan keahlian kelompok telus sepenuhnya dan mudah dibaca manusia.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/ms/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
- Pencapanian HierarkisPembelajaran Mesin↔ compare
- Pengelompokan K-MeansPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →