Selitettävä HDBSCAN
Selitettävä HDBSCAN yhdistää hierarkkisen tiheyspohjaisen klusterointialgoritmin HDBSCAN post-hoc -selitettävyysmenetelmiin — pääasiassa SHAPiin — paljastaakseen, mitkä syöteominaisuudet ohjaavat klusterin jäsenyyttä ja erottelua. Se säilyttää HDBSCANin kyvyn löytää erimuotoisia ja -tiheyksisiä klustereita lisäten samalla periaatteellisen, auditoitavan selityskerrokseen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/fi/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.
- Selitettävä DBSCANKoneoppiminen↔ compare
- Selitettävä Gaussinen sekoitusmalliKoneoppiminen↔ compare
- Selitettävä Isolation ForestKoneoppiminen↔ compare
- Selitettävä K-MeansKoneoppiminen↔ compare
- Selitettävä Random ForestKoneoppiminen↔ compare
- HDBSCANKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →