https://github.com/cybercentrecanada/interpret-clusters
https://github.com/cybercentrecanada/interpret-clusters
Last synced: 8 months ago
JSON representation
- Host: GitHub
- URL: https://github.com/cybercentrecanada/interpret-clusters
- Owner: CybercentreCanada
- License: mit
- Created: 2020-11-10T18:05:27.000Z (almost 5 years ago)
- Default Branch: main
- Last Pushed: 2021-04-25T17:21:29.000Z (over 4 years ago)
- Last Synced: 2025-01-08T22:42:17.536Z (9 months ago)
- Language: Python
- Size: 1.87 MB
- Stars: 1
- Watchers: 1
- Forks: 1
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE.md
Awesome Lists containing this project
README
# Interpret-clusters
### About
Interpret-clusters is an experimental repository extending [interpret](https://github.com/interpretml/interpret), used to interpret unsupervised learning models. For each cluster we want to know "what distinguishes this cluster from the others?". We try to answer this question by training a one-vs-all classifier for each cluster and then interpret the classifier.
In many cases, the set of features used to cluster the data will be different from the features used to interpret the cluster. For example, if you first do dimension reduction (using something like UMAP or t-SNE) on a set of features, the embedded dimensions are not interpretable. You may then try to interpret the clusters on the raw features to gain insight into your results.
### A propos
Interpret-Clusters est un projet expérimental pour étendre les fonctionnalités de [interpret](https://github.com/interpretml/interpret), lequel est utilisé pour interpréter les modèles non supervisés en apprentissage machine. Pour chaque groupe, nous cherchons à savoir « qu’est-ce qui distingue ce cluster d’un autre? ». Nous essayons de répondre à cette question en entraînant un classificateur un-contre-tous pour chaque groupe, puis nous interprétons ce classificateur.
Dans plusieurs cas, l'ensemble des caractéristiques utilisées pour regrouper les données sera différent des caractéristiques utilisées pour interpréter les groupes. Par exemple, si vous calculez d'abord un plongement de réduction de dimension (en utilisant quelque chose comme UMAP ou t-SNE) sur un ensemble de caractéristiques, les dimensions plongées ne sont pas interprétables. Vous pouvez alors essayer d'interpréter les groupes à l’aide de leurs caractéristiques originales pour mieux expliquer vos résultats.