Erklärbares HDBSCAN
Erklärbares HDBSCAN kombiniert den hierarchischen dichte-basierten Clustering-Algorithmus HDBSCAN mit Post-hoc-Erklärbarkeitsmethoden — primär SHAP —, um aufzudecken, welche Eingabemerkmale die Clusterzugehörigkeit und -trennung antreiben. Es behält die Fähigkeit von HDBSCAN bei, Cluster unterschiedlicher Form und Dichte zu finden, und fügt eine prinzipienfeste, prüfbare Erklärungsschicht hinzu.
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
- McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/de/machine-learning/explainable-hdbscan
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.
- Erklärbares DBSCANMaschinelles Lernen↔ compare
- Erklärbares Gaußsches MischmodellMaschinelles Lernen↔ compare
- Erklärbarer Isolation ForestMaschinelles Lernen↔ compare
- Erklärbares K-MeansMaschinelles Lernen↔ compare
- Erklärbarer ZufallswaldMaschinelles Lernen↔ compare
- HDBSCANMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →