Skaidrojamais DBSCAN
Skaidrojamais DBSCAN apvieno blīvuma balstītu grupēšanas algoritmu DBSCAN ar pēcnodošanas interpretējamības metodēm — visbiežāk SHAP vērtībām vai lokāliem aizstājējmodeļiem — lai atklātu, kuri ievades dati nosaka algoritma grupējumu un trokšņu piešķiršanu. Tas ļauj analītiķiem saprast, kāpēc konkrēti dati tika grupēti kopā vai atzīmēti kā ārējie, aizpildot plaisu starp jaudīgu blīvuma balstītu sadalīšanu un cilvēkam saprotamu skaidrojumu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/lv/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.
- DBSCANMašīnmācīšanās↔ compare
- Skaidrojamais izolācijas mežsMašīnmācīšanās↔ compare
- Skaidrojams K tuvāko kaimiņu algoritmsMašīnmācīšanās↔ compare
- HDBSCANMašīnmācīšanās↔ compare
- K-means klasterizācijaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →