Explainable DBSCAN
Explainable DBSCAN pairs the DBSCAN density-based clustering algorithm with post-hoc interpretability methods — most commonly SHAP values or local surrogate models — to reveal which input features drive the algorithm's cluster and noise assignments. It enables analysts to understand why specific points were grouped together or flagged as outliers, bridging the gap between powerful density-based partitioning and human-readable explanation.
উৎস রেকর্ড
পদ্ধতির উৎস রেকর্ড থেকে উদ্ধৃতিগুলি হুবহু অনুলিপি করা হয়েছে। এগুলি থেকে কোনও দাবি-স্তরের যাচাইকরণ অনুমান করা হয় না।
- 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. · URL
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. Curran Associates. · URL
কিউরেটেড দাবি
প্রমাণ লেজারে দাবিগুলি সংরক্ষিত আছে, প্রতিটির নিজস্ব মূল্যায়ন সহ।
প্রমাণ লেজারে কিছু না থাকলে এই ভিউ কোনও দাবি মূল্যায়ন তৈরি করে না।
সম্পর্কিত পদ্ধতি
পদ্ধতি গ্রাফ থেকে তৈরি এবং মেশিন-প্রস্তাবিত সম্পর্ক হিসাবে দেখানো হয়েছে — কোনও প্রমাণ দাবি অনুমান করা হয় না।