无监督聚类的算法无关可解释性

近年来，监督式机器学习可解释性发展迅速。然而，聚类可解释性却相对滞后。在此，我们展示了模型无关可解释性方法的首次适配，用以解释无监督聚类。我们提出了两种新颖的“算法无关”可解释性方法——全局排列百分比变化（G2PC）和局部扰动百分比变化（L2PC）——它们分别在全局上针对聚类算法、在局部上针对单个样本的聚类来识别特征重要性。这些方法（1）易于实现，（2）广泛适用于各类聚类算法，因而可能具有很高的影响力。我们展示了这些方法在低密度合成数据集以及从151名精神分裂症患者和160名对照者的静息态功能磁共振成像数据集中提取的高维功能网络连接数据上，解释五种流行聚类方法的效用。我们的结果与现有文献一致，同时也为脑连接变化如何导致精神分裂症症状提供了新见解。我们进一步将我们方法的解释与可解释分类器进行比较，发现二者高度相似。我们提出的方法稳健地解释了多种聚类算法，并可能为许多应用带来新见解。我们希望本研究能极大加速聚类可解释性领域的发展。