DBSCAN explicable
DBSCAN explicable associe l'algorithme de clustering basé sur la densité DBSCAN à des méthodes d'interprétabilité post-hoc — le plus souvent des valeurs SHAP ou des modèles substituts locaux — pour révéler quelles caractéristiques d'entrée pilotent les affectations de clusters et de bruit de l'algorithme. Il permet aux analystes de comprendre pourquoi des points spécifiques ont été regroupés ou signalés comme des valeurs aberrantes, comblant ainsi le fossé entre le partitionnement basé sur la densité et l'explication lisible par l'homme.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/fr/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.
- DBSCANApprentissage automatique↔ compare
- Isolation Forest ExplicableApprentissage automatique↔ compare
- K-Plus-Proches-Voisins ExplicableApprentissage automatique↔ compare
- HDBSCANApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →