Forklarlig DBSCAN
Forklarlig DBSCAN kombinerer den tæthedsbaserede klyngealgoritme DBSCAN med post-hoc fortolkningsmetoder — oftest SHAP-værdier eller lokale surrogatmodeller — for at afsløre, hvilke input-features der driver algoritmens klynge- og støjklassifikationer. Den gør det muligt for analytikere at forstå, hvorfor specifikke punkter blev grupperet sammen eller markeret som outliers, hvilket bygger bro mellem kraftfuld tæthedsbaseret partitionering og menneskeligt læsbar forklaring.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/da/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.
- DBSCANMaskinlæring↔ compare
- Forklarlig Isolation ForestMaskinlæring↔ compare
- Forklarbare K-Nærmeste NaboerMaskinlæring↔ compare
- HDBSCANMaskinlæring↔ compare
- K-means ClusteringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →