Forklarbar DBSCAN
Forklarbar DBSCAN kombinerer den tetthetsbaserte klyngealgoritmen DBSCAN med post-hoc-tolkningsmetoder — vanligvis SHAP-verdier eller lokale surrogatmodeller — for å avdekke hvilke inndatafunksjoner som driver algoritmens klynge- og støyklassifiseringer. Den gjør det mulig for analytikere å forstå hvorfor spesifikke punkter ble gruppert sammen eller flagget som uteliggere, og bygger bro over gapet mellom kraftig tetthetsbasert partisjonering og menneskelesbar forklaring.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/no/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.
- DBSCANMaskinlæring↔ compare
- Forklarbar isolasjonsskogMaskinlæring↔ compare
- Forklarbar K-Nærmeste NaboerMaskinlæring↔ compare
- HDBSCANMaskinlæring↔ compare
- K-means klyngeanalyseMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →