Skaidrojamais HDBSCAN
Skaidrojamais HDBSCAN apvieno hierarkisko blīvuma balstītu klasterizācijas algoritmu HDBSCAN ar pēcapmācības skaidrojamības metodēm — galvenokārt SHAP — lai atklātu, kuri ievades dati nosaka klasteru dalību un atdalīšanu. Tas saglabā HDBSCAN spēju atrast dažādas formas un blīvuma klasterus, vienlaikus pievienojot principālu, auditējamu skaidrojuma slāni.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable Hierarchical Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/lv/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.
- Skaidrojamais DBSCANMašīnmācīšanās↔ compare
- Skaidrojams Gausa maisījuma modelisMašīnmācīšanās↔ compare
- Skaidrojamais izolācijas mežsMašīnmācīšanās↔ compare
- Skaidrojamais K-MeansMašīnmācīšanās↔ compare
- Skaidrojams nejaušs mežsMašīnmācīšanās↔ compare
- HDBSCANMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →