Explainable DBSCAN
Explainable DBSCAN combineert het op dichtheid gebaseerde clusteringalgoritme DBSCAN met post-hoc interpreteerbaarheidsmethoden — meestal SHAP-waarden of lokale surrogaatmodellen — om te onthullen welke inputkenmerken de cluster- en ruistoewijzingen van het algoritme aansturen. Het stelt analisten in staat te begrijpen waarom specifieke punten samen werden gegroepeerd of als uitschieters werden gemarkeerd, waarmee de kloof tussen krachtige op dichtheid gebaseerde partitionering en menselijk leesbare verklaringen wordt overbrugd.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/nl/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.
- DBSCANMachine learning↔ compare
- Uitlegbare Isolation ForestMachine learning↔ compare
- Uitlegbare K-Nearest NeighborsMachine learning↔ compare
- HDBSCANMachine learning↔ compare
- K-means ClusteringMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →