Обясним еднокласов SVM
Обяснимият еднокласов SVM (Explainable One-Class SVM) съчетава класическия детектор на аномалии One-Class Support Vector Machine — който изгражда плътна граница около нормалните данни без нужда от етикетирани аномалии — с методи за последваща обяснимост като SHAP или LIME, за да разкрие кои признаци обуславят всеки резултат за новост или аномалия, превръщайки непрозрачната граница на решението в сигнал, който може да бъде одитиран и приписан на признаци.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Schölkopf, B., Williamson, R., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support vector method for novelty detection. Advances in Neural Information Processing Systems, 12, 582–588. link ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/bg/machine-learning/explainable-one-class-svm
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.
- Автоенкодер за детекция на аномалииМашинно обучение↔ compare
- Isolation ForestМашинно обучение↔ compare
- Локален коефициент на отклонение (LOF)Машинно обучение↔ compare
- Еднокласов SVMМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →