Επεξηγήσιμο DBSCAN
Το Επεξηγήσιμο DBSCAN συνδυάζει τον αλγόριθμο ομαδοποίησης βάσει πυκνότητας DBSCAN με μεθόδους ερμηνευσιμότητας μετά την εκτέλεση (post-hoc) — συνηθέστερα τιμές SHAP ή τοπικά υποκατάστατα μοντέλα — για να αποκαλύψει ποια χαρακτηριστικά εισόδου οδηγούν στις αναθέσεις ομαδοποίησης και θορύβου του αλγορίθμου. Επιτρέπει στους αναλυτές να κατανοήσουν γιατί συγκεκριμένα σημεία ομαδοποιήθηκαν μαζί ή επισημάνθηκαν ως ακραίες τιμές, γεφυρώνοντας το χάσμα μεταξύ της ισχυρής κατάτμησης βάσει πυκνότητας και της κατανοητής από τον άνθρωπο εξήγησης.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/el/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.
- DBSCANΜηχανική Μάθηση↔ compare
- Επεξηγήσιμη Απομονωμένη Δασική ΕπέκτασηΜηχανική Μάθηση↔ compare
- Επεξηγήσιμοι K-πλησιέστεροι ΓείτονεςΜηχανική Μάθηση↔ compare
- HDBSCANΜηχανική Μάθηση↔ compare
- Ομαδοποίηση K-meansΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →