Объяснимый K-Means
Объяснимый K-Means — это подход к интерпретируемости кластеризации K-Means (как пост-хок, так и встроенный в модель), который заменяет или аппроксимирует присвоения кластеров небольшим осесимметричным деревом решений. Каждый лист дерева соответствует одному кластеру, и каждая точка данных присваивается кластеру путем следования простой последовательности пороговых правил для отдельных признаков, что делает членство в кластере полностью прозрачным и понятным для человека.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/ru/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.
- DBSCANМашинное обучение↔ compare
- Дерево решенийМашинное обучение↔ compare
- Иерархическая кластеризацияМашинное обучение↔ compare
- Кластеризация методом k-среднихМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →