Förklarbar DBSCAN
Förklarbar DBSCAN kombinerar den densitetsbaserade klusteralgoritmen DBSCAN med post-hoc-tolkningsmetoder – oftast SHAP-värden eller lokala surrogatmodeller – för att avslöja vilka indatafunktioner som driver algoritmens kluster- och brusklassificeringar. Det gör det möjligt för analytiker att förstå varför specifika punkter grupperades tillsammans eller flaggades som avvikare, vilket överbryggar klyftan mellan kraftfull densitetsbaserad partitionering och mänskligt läsbara förklaringar.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/sv/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.
- DBSCANMaskininlärning↔ compare
- Förklaringsbar isolationsskogarMaskininlärning↔ compare
- Förklaringsbar K närmaste grannarMaskininlärning↔ compare
- HDBSCANMaskininlärning↔ compare
- K-means-klustringMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →