与算法无关的聚类解释方法
机器学习
2022-09-23 v1 机器学习
摘要
高维数据的聚类结果通常通过降维和后续可视化等后处理方式进行解释。这会破坏数据的含义并模糊解释。我们提出与算法无关的解释方法，在降维的同时保持数据完整性来解释聚类结果。聚类的置换特征重要性代表了一个基于打乱特征值并通过自定义评分函数度量聚类分配变化的通用框架。聚类的个体条件期望指示了由于数据变化引起的观测级聚类分配变化。聚类的偏依赖评估了整个特征空间中聚类分配的平均变化。所有方法均可与任何能够通过软或硬标签重新分配实例的聚类算法一起使用。与主成分分析等常见后处理方法不同，所引入的方法保持了特征的原始结构。
引用
@article{arxiv.2209.10578,
title = {Algorithm-Agnostic Interpretations for Clustering},
author = {Christian A. Scholbeck and Henri Funk and Giuseppe Casalicchio},
journal= {arXiv preprint arXiv:2209.10578},
year = {2022}
}