Explainable DBSCAN
Explainable DBSCAN ühendab tiheduspõhise klastrialgoritmi DBSCAN post-hoc tõlgendatavusmeetoditega – kõige sagedamini SHAP-väärtused või lokaalsed surrogaatmudelid –, et paljastada, millised sisendomadused mõjutavad algoritmi klastri- ja mürajaotusi. See võimaldab analüütikutel mõista, miks teatud punktid koos rühmitati või märgiti eranditeks, sillutades vahe võimsate tiheduspõhiste jaotuste ning inimloetavate selgituste vahel.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/et/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.
- DBSCANMasinõpe↔ compare
- Explainable Isolation ForestMasinõpe↔ compare
- Selgitatav K lähimat naabritMasinõpe↔ compare
- HDBSCANMasinõpe↔ compare
- K-keskmiste klasterdamineMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →