Self-Explaining Segment Trees: A KPI-Conditioned Segmentation Framework for Business Analytics with Node-Level Explanation via Recursive Subspace Partitioning
创建于 更新于
摘要
本文提出Self-Explaining Segment Trees（SEST），以面向特定KPI的多变量聚类替代传统属性谓词，用于发现和解释业务指标变化的责任群体。框架通过决策树替代模型与Shapley归因选择KPI相关特征子空间，利用高斯混合模型与轮廓系数在每个节点独立确定分支数，再以Ward方法递归划分，并为所有节点生成基于原始数据的标准化效应量和用户关注维度贡献画像。研究证明了树结构的终止性、节点数量上界及不同分支情形下的成本特征，但未开展预测精度、分割质量或解释有效性的实证验证。[page::0][page::1][page::5][page::8][page::10]
