Objašnjivi K-Means
Objašnjivi K-Means je post-hoc i in-model pristup interpretabilnosti standardnog K-Means klasterovanja koji zamenjuje ili aproksimira dodeljivanja klastera malim, usko orijentisanim (axis-aligned) stablima odlučivanja. Svaki list stabla odgovara jednom klasteru, a svaka tačka podataka dodeljuje se klasteru prateći jednostavan niz pravila pragova na pojedinačnim karakteristikama — čineći pripadnost klasteru potpuno transparentnom i čitljivom za ljude.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/sr/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.
- DBSCANMašinsko učenje↔ compare
- Дрво одлучивањаMašinsko učenje↔ compare
- Hijerarhijsko grupisanjeMašinsko učenje↔ compare
- K-Means klasterovanjeMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →