Объяснимый DBSCAN
Объяснимый DBSCAN сочетает алгоритм кластеризации DBSCAN, основанный на плотности, с пост-хок методами интерпретируемости — чаще всего значениями SHAP или локальными суррогатными моделями — чтобы выявить, какие входные признаки определяют присвоение кластера и шума алгоритмом. Он позволяет аналитикам понять, почему конкретные точки были сгруппированы вместе или помечены как выбросы, преодолевая разрыв между мощным разделением на основе плотности и понятным для человека объяснением.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/ru/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.
- DBSCANМашинное обучение↔ compare
- Объяснимый Isolation ForestМашинное обучение↔ compare
- Объяснимый метод k-ближайших соседейМашинное обучение↔ compare
- HDBSCANМашинное обучение↔ compare
- Кластеризация методом k-среднихМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →