Feb, 2024

基于核 KMeans 聚类的端到端无监督决策树分割

PDF
TL;DR使用贪婪最大化核 KMeans 目标，无需定义质心的 Kauri 方法，是一种用于集群的新型端到端训练的无监督二叉树，它在使用线性核时表现相同，对于其他核，Kauri 通常优于核 KMeans 和 CART 决策树的串联。
发现论文，激发创造
  • 通过决策树解读核聚类

    探索可解释的核聚类算法，提出构建决策树来近似核 k-means 引发的分区的算法，并展示了适当选择特征如何在不损失可解释模型的近似保证的情况下保持可解释性。

    Feb, 2024

  • 使用无监督二叉树的可解释聚类

    本研究提出了一种新的可解释聚类方法，使用无监督的二叉树，在三个阶段对数据进行处理，包括递归二元拆分，修剪和加入相似簇，同时对模拟和真实数据进行了一致性测试。

    Mar, 2011

  • 利用决策树进行可解释的有监督聚类

    本文提出了一种基于决策树分类器的迭代方法来提取高密度的、可 解释的同一类别数据集群，并讨论了最大化识别群组质量的节点选择方法。

    Jul, 2023

  • ExKMC: 扩展可解释的 K - 均值聚类

    我们研究了基于解释和准确性之间的平衡的 $k$-means 聚类算法，设计了一种新的解释性 $k$-means 聚类算法 ExKMC，用于有效地将数据集划分为 $k'$ 个叶子节点，并以 $k$ 个簇之一的形式对叶子节点进行标记。经实验验证，ExKMC 的聚类效果优于标准的决策树方法和其他解释性聚类算法。

    Jun, 2020

  • 通过最优树实现可解释的聚类

    本文介绍了一种新的无监督学习算法，利用混合整数优化技术生成可解释的基于树的聚类模型，以提高群集算法的可解释性，并在医疗应用中具有重要意义。

    Dec, 2018

  • 可解释的 K 均值和 K 中值聚类

    本文提出了一种使用决策树对数据集进行聚类的算法，并探讨了该方法对 k-means 和 k-medians 目标函数的适用性。作者证明了常见的自顶向下决策树算法可能会导致成本任意大的聚类结果，但设计了一种有效的方法使用具有 k 个叶子的树生成可解释的聚类，并对于两个中心点的情况，仅需要一个阈值切割即可实现常数近似。

    Feb, 2020

  • 一种嵌入式分段 K-means 模型，用于语音的无监督分割与聚类

    介绍了一个基于嵌入式分段 K 均值模型的新方法，用于语音分割和聚类，该模型与贝叶斯模型相比能够在更高效的情况下实现类似的分割和聚类效果，可用于零资源语音处理。

    Mar, 2017

  • 可解释聚类中深度减少的不可能性

    本文研究可解释 K-means 和 K-median 聚类问题，证明了在欧几里得平面上，解释深度降低会导致聚类成本的无界损失，并将其扩展到 K-center 目标。

    May, 2023

  • 混合特征空间已知约束条件下的贝叶斯优化树集成核函数

    本文提出采用树集成的核解释作为高斯过程先验以获得模型方差估计，并开发了与采集函数兼容的优化公式来同时解决使用树集成进行黑盒优化的两个主要挑战，从而在连续 / 离散特征以及混合特征的空间中，优于竞争方法。

    Jul, 2022

  • CART 稀疏学习

    本文研究了 CART 方法构建的回归树的统计特性，发现训练误差由每个节点中的最优决策树与响应数据的 Pearson 相关性控制，并通过构建先验分布和解决非线性优化问题来限制其范围，利用训练误差和 Pearson 相关性之间的联系来展示当深度随样本大小的对数尺度变化时，使用 cost-complexity pruning 的 CART 方法可以实现最佳复杂度 / 拟合度权衡，同时，数据相关量可以适应回归模型的维度和潜在结构，控制预测误差的收敛速度。

    Jun, 2020