Erklärbares DBSCAN
Erklärbares DBSCAN kombiniert den dichte-basierten Clustering-Algorithmus DBSCAN mit Post-hoc-Interpretierbarkeitsmethoden — am häufigsten SHAP-Werte oder lokale Surrogatmodelle —, um aufzudecken, welche Eingabemerkmale die Cluster- und Rauschezuweisungen des Algorithmus steuern. Es ermöglicht Analysten zu verstehen, warum bestimmte Punkte zusammen gruppiert oder als Ausreißer markiert wurden, und schließt die Lücke zwischen leistungsfähiger dichte-basierter Partitionierung und menschenlesbarer Erklärung.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/de/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.
- DBSCANMaschinelles Lernen↔ compare
- Erklärbarer Isolation ForestMaschinelles Lernen↔ compare
- Erklärbares K-Nächstes-Nachbarn-VerfahrenMaschinelles Lernen↔ compare
- HDBSCANMaschinelles Lernen↔ compare
- K-means ClusteringMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →