DBSCAN Explicável
DBSCAN Explicável combina o algoritmo de agrupamento baseado em densidade DBSCAN com métodos de interpretabilidade post-hoc — mais comumente valores SHAP ou modelos substitutos locais — para revelar quais características de entrada impulsionam as atribuições de cluster e ruído do algoritmo. Ele permite que analistas compreendam por que pontos específicos foram agrupados ou sinalizados como outliers, preenchendo a lacuna entre o particionamento baseado em densidade e a explicação legível por humanos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/pt/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.
- DBSCANAprendizado de máquina↔ compare
- Isolation Forest ExplicávelAprendizado de máquina↔ compare
- K-Vizinhos Mais Próximos ExplicávelAprendizado de máquina↔ compare
- HDBSCANAprendizado de máquina↔ compare
- Agrupamento K-meansAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →