Пояснюваний DBSCAN
Пояснюваний DBSCAN поєднує алгоритм кластеризації на основі щільності DBSCAN із пост-хок методами інтерпретації — найчастіше значеннями SHAP або локальними сурогатними моделями — щоб виявити, які вхідні ознаки зумовлюють призначення кластерів та шуму алгоритмом. Він дозволяє аналітикам зрозуміти, чому конкретні точки були згруповані разом або позначені як викиди, долаючи розрив між потужним розділенням на основі щільності та поясненнями, зрозумілими для людини.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Explainable Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/uk/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.
- DBSCANМашинне навчання↔ compare
- Пояснюваний ліс ізоляційМашинне навчання↔ compare
- Пояснюваний K-найближчих сусідівМашинне навчання↔ compare
- HDBSCANМашинне навчання↔ compare
- Кластеризація методом k-середніхМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →