HDBSCAN Explicable
HDBSCAN Explicable combine l'algorithme de clustering hiérarchique basé sur la densité HDBSCAN avec des méthodes d'explicabilité post-hoc — principalement SHAP — pour révéler quelles caractéristiques d'entrée pilotent l'appartenance et la séparation des clusters. Il conserve la capacité de HDBSCAN à trouver des clusters de formes et de densités variables tout en ajoutant une couche d'explication principielle et auditable.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/fr/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.
- DBSCAN explicableApprentissage automatique↔ compare
- Modèle de mélange gaussien explicableApprentissage automatique↔ compare
- Isolation Forest ExplicableApprentissage automatique↔ compare
- K-Means ExplicableApprentissage automatique↔ compare
- Forêt Aléatoire ExplicableApprentissage automatique↔ compare
- HDBSCANApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →