ScholarGate
Pembantu
Machine learningMachine learning

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.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. 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
  2. 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.

Compare side by side

Dirujuk oleh

ScholarGateExplainable K-Means (Explainable K-Means Clustering). Dicapai 2026-06-15 daripada https://scholargate.app/ms/machine-learning/explainable-k-means · Set data: https://doi.org/10.5281/zenodo.20539026