K-Means Explicável
K-Means Explicável é uma abordagem de interpretabilidade pós-hoc e in-model para o agrupamento K-Means padrão que substitui ou aproxima as atribuições de cluster por uma pequena árvore de decisão alinhada aos eixos. Cada folha da árvore corresponde a um cluster, e cada ponto de dados é atribuído a um cluster seguindo uma sequência simples de regras de limiar em características individuais — tornando a associação ao cluster totalmente transparente e legível por humanos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/pt/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.
- DBSCANAprendizado de máquina↔ compare
- Árvore de DecisãoAprendizado de máquina↔ compare
- Agrupamento HierárquicoAprendizado de máquina↔ compare
- Agrupamento K-MeansAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →