Objašnjivi DBSCAN
Objašnjivi DBSCAN uparuje algoritam grupisanja zasnovan na gustini DBSCAN sa post-hok metodama interpretabilnosti — najčešće SHAP vrednostima ili lokalnim zamenskim modelima — kako bi se otkrilo koje ulazne karakteristike pokreću dodelu klastera i šuma algoritma. Omogućava analitičarima da razumeju zašto su specifične tačke grupisane zajedno ili označene kao odstupanja, premošćujući jaz između moćnog particionisanja zasnovanog na gustini i objašnjenja čitljivog za čoveka.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/sr/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.
- DBSCANMašinsko učenje↔ compare
- Objašnjivi Izolacioni ŠumMašinsko učenje↔ compare
- Objašnjivi K-najbližih susedaMašinsko učenje↔ compare
- HDBSCANMašinsko učenje↔ compare
- K-means algoritam klasterovanjaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →