Обясним DBSCAN
Обяснимият DBSCAN (Explainable DBSCAN) съчетава алгоритъма за клъстериране, базиран на плътността DBSCAN, с пост-хок методи за интерпретируемост – най-често стойности на SHAP или локални сурогатни модели – за да разкрие кои входни характеристики движат присвояванията на клъстери и шумови точки от алгоритъма. Той позволява на анализаторите да разберат защо конкретни точки са групирани заедно или са отбелязани като аномалии, преодолявайки пропастта между мощното разделяне, базирано на плътността, и разбираемото за човека обяснение.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96), 226–231. AAAI Press. link ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. Curran Associates. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/bg/machine-learning/explainable-dbscan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DBSCANМашинно обучение↔ compare
- Обясним изолационен лесМашинно обучение↔ compare
- Обясним метод на K-най-близки съседиМашинно обучение↔ compare
- HDBSCANМашинно обучение↔ compare
- K-means клъстеризацияМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →