DBSCAN yang Dapat Dijelaskan
DBSCAN yang Dapat Dijelaskan memasangkan algoritma pengelompokan berbasis kepadatan DBSCAN dengan metode interpretasi pasca-hoc — paling umum nilai SHAP atau model pengganti lokal — untuk mengungkap fitur masukan mana yang mendorong penugasan klaster dan kebisingan algoritma. Ini memungkinkan analis untuk memahami mengapa titik-titik tertentu dikelompokkan bersama atau ditandai sebagai pencilan, menjembatani kesenjangan antara partisi berbasis kepadatan yang kuat dan penjelasan yang dapat dibaca manusia.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/id/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.
- DBSCANPembelajaran Mesin↔ compare
- Isolation Forest yang Dapat DijelaskanPembelajaran Mesin↔ compare
- K-Tetangga Terdekat yang Dapat DijelaskanPembelajaran Mesin↔ compare
- HDBSCANPembelajaran Mesin↔ compare
- Clustering K-meansPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →