基于核 KMeans 聚类的端到端无监督决策树分割
内容提要
该文综述可解释聚类研究，包括用决策树近似核k-means分区并保持可解释性与近似保证、提出无监督二叉树三阶段方法、设计ExKMC平衡解释与精度、用混合整数优化生成树聚类、证明自顶向下树可能致成本无界而k叶树可常数近似，以及探讨可解释k-means成本损失和CART回归树统计特性。
延伸解读
可解释性与聚类质量的权衡
文章指出，可解释聚类常需在解释性与聚类质量间权衡。例如，ExKMC 通过平衡解释和准确性，将数据划分为 k' 个叶子并以 k 个簇标记，实验显示其效果优于标准决策树和其他解释性聚类算法。同时，有研究证明在欧几里得平面上，解释深度降低会导致聚类成本无界损失，这提示读者在追求可解释性时需关注潜在的成本增加。
树结构聚类的理论保证与局限
文章提到，常见的自顶向下决策树算法可能导致成本任意大的聚类结果，但使用具有 k 个叶子的树可以生成可解释的聚类，并在两个中心点的情况下仅需一个阈值切割即可实现常数近似。这表明树结构聚类在特定条件下具有理论保证，但自顶向下方法存在局限性，读者应留意算法选择对结果的影响。
方法多样性与应用场景
文章综述了多种可解释聚类方法，包括基于决策树分类器的迭代方法、混合整数优化生成树聚类模型、嵌入式分段 K 均值模型用于语音分割等。这些方法适用于不同场景，如医疗应用和零资源语音处理。读者可根据具体需求选择合适方法，但需注意各方法的假设和适用条件。
Q&A
什么是可解释的核聚类算法？
可解释的核聚类算法是指构建决策树来近似核 k-means 引发的分区，并展示适当选择特征如何在不损失可解释模型的近似保证的情况下保持可解释性。
ExKMC 算法是如何平衡解释性和准确性的？
ExKMC 是一种新的解释性 k-means 聚类算法，用于有效地将数据集划分为 k' 个叶子节点，并以 k 个簇之一的形式对叶子节点进行标记。经实验验证，ExKMC 的聚类效果优于标准的决策树方法和其他解释性聚类算法。
自顶向下决策树算法在聚类中有什么潜在问题？
常见的自顶向下决策树算法可能会导致成本任意大的聚类结果。
如何生成具有常数近似保证的可解释聚类？
设计了一种有效的方法使用具有 k 个叶子的树生成可解释的聚类，并对于两个中心点的情况，仅需要一个阈值切割即可实现常数近似。
解释深度降低对聚类成本有什么影响？
在欧几里得平面上，解释深度降低会导致聚类成本的无界损失，并且这一结论可以扩展到 K-center 目标。
CART 回归树的统计特性是什么？
CART 方法构建的回归树的训练误差由每个节点中的最优决策树与响应数据的 Pearson 相关性控制。通过构建先验分布和解决非线性优化问题来限制其范围，利用训练误差和 Pearson 相关性之间的联系，展示当深度随样本大小的对数尺度变化时，使用 cost-complexity pruning 的 CART 方法可以实现最佳复杂度/拟合度权衡，同时数据相关量可以适应回归模型的维度和潜在结构，控制预测误差的收敛速度。
