Explainable K-Means
Explainable K-Means is een post-hoc en in-model interpreteerbaarheid benadering voor standaard K-Means clustering die cluster-toewijzingen vervangt of benadert met een kleine, assen-uitgelijnde beslissingsboom. Elk blad van de boom correspondeert met één cluster, en elk datapunt wordt toegewezen aan een cluster door een eenvoudige reeks drempelregels op individuele features te volgen — waardoor clusterlidmaatschap volledig transparant en leesbaar wordt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/nl/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.
- DBSCANMachine learning↔ compare
- BeslisboomMachine learning↔ compare
- Hiërarchische clusteringMachine learning↔ compare
- K-Means ClusteringMachine learning↔ compare
- Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →