Wyjaśnialny DBSCAN
Wyjaśnialny DBSCAN łączy algorytm klastrowania opartego na gęstości DBSCAN z metodami interpretowalności post-hoc — najczęściej wartościami SHAP lub lokalnymi modelami zastępczymi — aby ujawnić, które cechy wejściowe wpływają na przypisania klastrów i szumu przez algorytm. Umożliwia analitykom zrozumienie, dlaczego konkretne punkty zostały zgrupowane razem lub oznaczone jako wartości odstające, wypełniając lukę między potężnym partycjonowaniem opartym na gęstości a zrozumiałą dla człowieka interpretacją.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/pl/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.
- DBSCANUczenie maszynowe↔ compare
- Wyjaśnialny las izolacyjnyUczenie maszynowe↔ compare
- Wyjaśnialny K-Najbliższych SąsiadówUczenie maszynowe↔ compare
- HDBSCANUczenie maszynowe↔ compare
- Grupowanie K-średnich (K-means Clustering)Uczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →