DBSCAN Explicable
DBSCAN Explicable combina el algoritmo de agrupamiento basado en densidad DBSCAN con métodos de interpretabilidad post-hoc —más comúnmente valores SHAP o modelos sustitutos locales— para revelar qué características de entrada impulsan las asignaciones de clúster y ruido del algoritmo. Permite a los analistas comprender por qué puntos específicos se agruparon o se marcaron como valores atípicos, cerrando la brecha entre la potente partición basada en densidad y la explicación legible por humanos.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/es/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.
- DBSCANAprendizaje automático↔ compare
- Isolation Forest ExplicableAprendizaje automático↔ compare
- Vecinos más Cercanos Explicables (Explainable K-Nearest Neighbors)Aprendizaje automático↔ compare
- HDBSCANAprendizaje automático↔ compare
- Agrupamiento K-mediasAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →