关键词interpretable clustering
搜索结果 - 5
- 走向可解释聚类：基于约束声明的方法
我们提出了一种基于解释驱动的集群选择的解释可调的约束聚类方法，该方法能够生成高质量的且可解释的聚类，其中聚类结果考虑了特征的覆盖率和区分度，并能够整合领域专家知识和用户约束。
- 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。
- 可解释聚类的最优决策树
本文提出了一种新的基于 SAT 的可解释聚类框架，支持聚类约束，同时提供强有力的解决方案质量理论保证，并给出了关于解释性和满足用户约束之间权衡的新见解。
- AAAI多面体机器可解释聚类
本文提出了一种新颖的解释性聚类方法，通过在发现的聚类周围构建多面体来解释它们，同时将多面体的超平面约束为轴平行或稀疏整数系数，将构造聚类簇的问题形式化为混合整数非线性规划（MINLP）.
- 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。