Explainable DBSCAN
Explainable DBSCAN páruje databázový shlukovací algoritmus DBSCAN s post-hoc interpretačními metodami — nejčastěji se hodnotami SHAP nebo lokálními náhradními modely — aby odhalil, které vstupní příznaky řídí přiřazení bodů ke shlukům a šumu algoritmem. Umožňuje analytikům pochopit, proč byly konkrétní body seskupeny dohromady nebo označeny jako odlehlé hodnoty, čímž překlenuje propast mezi výkonným dělením založeným na hustotě a lidsky čitelným vysvětlením.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/cs/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.
- DBSCANStrojové učení↔ compare
- Vysvětlitelný Isolation ForestStrojové učení↔ compare
- Vysvětlitelné K-nejbližších sousedůStrojové učení↔ compare
- HDBSCANStrojové učení↔ compare
- K-means ShlukováníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →