K-Means Explicabil
K-Means Explicabil este o abordare post-hoc și in-model de interpretabilitate pentru clusteringul K-Means standard, care înlocuiește sau aproximează asignările de cluster cu un arbore de decizie mic, aliniat pe axe. Fiecare frunză a arborelui corespunde unui cluster, iar fiecare punct de date este asignat unui cluster urmând o secvență simplă de reguli de prag pe caracteristici individuale — făcând apartenența la cluster complet transparentă și lizibilă pentru om.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/ro/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.
- DBSCANÎnvățare automată↔ compare
- Arbore de decizieÎnvățare automată↔ compare
- Clustering IerarhicÎnvățare automată↔ compare
- Clustering K-MeansÎnvățare automată↔ compare
- Pădurea Aleatoare (Random Forest)Învățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →