Explainable DBSCAN

Explainable DBSCAN เป็นการจับคู่ระหว่างอัลกอริทึมการจัดกลุ่มแบบอิงความหนาแน่น DBSCAN กับวิธีการตีความหลังการสร้างแบบจำลอง (post-hoc interpretability methods) ซึ่งส่วนใหญ่มักใช้ค่า SHAP หรือแบบจำลองตัวแทนเฉพาะที่ (local surrogate models) เพื่อเปิดเผยว่าฟีเจอร์อินพุตใดเป็นตัวขับเคลื่อนการกำหนดกลุ่มและการกำหนดค่าผิดปกติ (noise assignments) ของอัลกอริทึม ช่วยให้นักวิเคราะห์เข้าใจว่าเหตุใดจุดข้อมูลบางจุดจึงถูกจัดกลุ่มเข้าด้วยกัน หรือถูกระบุว่าเป็นค่าผิดปกติ เป็นการเชื่อมช่องว่างระหว่างการแบ่งพาร์ติชันแบบอิงความหนาแน่นที่มีประสิทธิภาพ กับคำอธิบายที่มนุษย์สามารถอ่านเข้าใจได้