DBSCAN Spiegabile
Il DBSCAN Spiegabile combina l'algoritmo di clustering basato sulla densità DBSCAN con metodi di interpretabilità post-hoc — più comunemente valori SHAP o modelli surrogati locali — per rivelare quali caratteristiche di input guidano le assegnazioni di cluster e rumore dell'algoritmo. Permette agli analisti di capire perché punti specifici sono stati raggruppati insieme o segnalati come outlier, colmando il divario tra la potente partizione basata sulla densità e la spiegazione leggibile dall'uomo.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/it/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.
- DBSCANApprendimento automatico↔ compare
- Isolation Forest SpiegabileApprendimento automatico↔ compare
- K-Nearest Neighbors SpiegabileApprendimento automatico↔ compare
- HDBSCANApprendimento automatico↔ compare
- Clustering K-meansApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →