DBSCAN Explicabil
DBSCAN Explicabil combină algoritmul de clustering bazat pe densitate DBSCAN cu metode post-hoc de interpretabilitate — cel mai frecvent valori SHAP sau modele surogat locale — pentru a dezvălui ce caracteristici de intrare determină atribuirile de cluster și de zgomot ale algoritmului. Permite analiștilor să înțeleagă de ce puncte specifice au fost grupate împreună sau marcate ca valori aberante, făcând legătura între partiționarea puternică bazată pe densitate și explicațiile inteligibile pentru om.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/ro/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.
- DBSCANÎnvățare automată↔ compare
- Isolation Forest ExplicabilÎnvățare automată↔ compare
- K-Nearest Neighbors explicabilÎnvățare automată↔ compare
- HDBSCANÎnvățare automată↔ compare
- Clustering K-meansÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →