用于端到端无监督决策树的核KMeans聚类分裂
机器学习
2024-02-20 v1 人工智能
机器学习
摘要
树是在相对小数据集上获得可解释预测的便捷模型。尽管在监督学习中有许多端到端构建此类树的提议，但在无标签情况下端到端学习聚类树仍是一个开放挑战。由于大多数工作侧重于用树解释另一个聚类算法的结果，我们在此提出一种新颖的端到端训练的无监督二叉树用于聚类：Kauri。该方法在不定义质心的情况下贪婪地最大化核KMeans目标。我们在多个数据集上将该模型与最近的无监督树进行比较，表明使用线性核时Kauri表现相同。对于其他核，Kauri通常优于核KMeans与CART决策树的串联。
引用
@article{arxiv.2402.12232,
title = {Kernel KMeans clustering splits for end-to-end unsupervised decision trees},
author = {Louis Ohl and Pierre-Alexandre Mattei and Mickaël Leclercq and Arnaud Droit and Frédéric Precioso},
journal= {arXiv preprint arXiv:2402.12232},
year = {2024}
}