Пояснюваний K-Means
Пояснюваний K-Means — це пост-хок та внутрішньомодельний підхід до інтерпретовності стандартної кластеризації K-Means, який замінює або апроксимує призначення кластерів невеликим вісе-орієнтованим деревом рішень. Кожен лист дерева відповідає одному кластеру, і кожна точка даних призначається до кластера шляхом дотримання простої послідовності порогових правил для окремих ознак, що робить членство в кластері повністю прозорим і зрозумілим для людини.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Explainable K-Means Clustering. ScholarGate. https://scholargate.app/uk/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.
- DBSCANМашинне навчання↔ compare
- Дерево рішеньМашинне навчання↔ compare
- Ієрархічна кластеризаціяМашинне навчання↔ compare
- Кластеризація методом k-середніхМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →