-
题名基于集束搜索的可解释阈值树构造
- 1
-
-
作者
李钰群
何振峰
-
机构
福州大学计算机与大数据学院
-
出处
《计算机系统应用》
2023年第11期247-252,共6页
-
文摘
传统的聚类算法能够将数据集划分成不同的簇,但是这些簇通常都是难以解释的.IMM(iterative mistake minimization)是一种常见的可解释聚类算法,通过单个特征来构造阈值树,每个簇都可以用根节点到叶子节点路径上的特征-阈值对进行解释.然而,阈值树在每一轮划分数据时仅考虑错误最少的特征-阈值对,这种贪心的方法容易导致局部最优解.针对这一问题,本文引入了集束搜索,通过在阈值树的每一轮划分过程当中保留预定数量的状态来减缓局部最优,进而提高阈值树提供的聚类划分与初始聚类划分的一致性.最后,通过实验验证了该算法的有效性.
-
关键词
可解释聚类
集束搜索
阈值树
K-MEANS
-
Keywords
explainable clustering
beam search
threshold tree
K-means
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
-