Förklaringsbar K-medelvärden
Explainable K-Means är en post-hoc- och in-model-tolkningsmetod för standard K-Means-klustring som ersätter eller approximerar kluster-tilldelningar med ett litet, axelparallellt beslutsträd. Varje löv i trädet motsvarar ett kluster, och varje datapunkt tilldelas ett kluster genom att följa en enkel sekvens av tröskelregler på enskilda attribut — vilket gör klustermedlemskap fullständigt transparent och läsbart för människor.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/sv/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.
- DBSCANMaskininlärning↔ compare
- BeslutsträdMaskininlärning↔ compare
- Hierarkisk klustringMaskininlärning↔ compare
- K-Means-klustringMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →