Objašnjivi DBSCAN
Objašnjivi DBSCAN kombinira algoritam grupisanja temeljen na gustoći DBSCAN s post-hoc metodama interpretabilnosti — najčešće SHAP vrijednostima ili lokalnim nadomjesnim modelima — kako bi se otkrilo koji ulazni značajke pokreću dodjelu klastera i šuma algoritma. Omogućuje analitičarima da razumiju zašto su specifične točke grupirane zajedno ili označene kao odstupanja, premošćujući jaz između snažne particije temeljene na gustoći i objašnjenja čitljivog ljudima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/hr/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.
- DBSCANStrojno učenje↔ compare
- Objašnjivi Isolation ForestStrojno učenje↔ compare
- Objašnjivi K-najbližih susjedaStrojno učenje↔ compare
- HDBSCANStrojno učenje↔ compare
- Grupna analiza K-meansStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →