ExKMC：可扩展的可解释 k-均值聚类
机器学习
2020-07-03 v2 计算几何
数据结构与算法
机器学习
摘要
尽管可解释人工智能（explainable AI）颇受欢迎，但关于无监督学习有效方法的研究仍然有限。我们研究 k-均值聚类算法，重点关注可解释性与准确性之间的权衡。遵循先前工作，我们使用一棵小的决策树将数据集划分为 k 个簇。这使我们能够通过一系列单特征阈值的短序列来解释每个簇的分配。虽然更大的树能产生更准确的聚类，但它们也需要更复杂的解释。为提供灵活性，我们开发了一种新的可解释 k-均值聚类算法 ExKMC，它接受一个额外参数 k' ≥ k 并输出一棵具有 k' 个叶子的决策树。我们使用一种新的代理代价（surrogate cost）来高效地扩展树并将叶子标记为 k 个簇之一。我们证明随着 k' 增大，代理代价非增，从而以可解释性换取准确性。在实证中，我们验证 ExKMC 产生了低代价的聚类，优于标准决策树方法和其他可解释聚类算法。ExKMC 的实现可在 https://github.com/navefr/ExKMC 获取。
引用
@article{arxiv.2006.02399,
title = {ExKMC: Expanding Explainable $k$-Means Clustering},
author = {Nave Frost and Michal Moshkovitz and Cyrus Rashtchian},
journal= {arXiv preprint arXiv:2006.02399},
year = {2020}
}