Aïllament Forest explicable
Aïllament Forest explicable combina l'algorisme de detecció d'anomalies Aïllament Forest amb eines de explicabilitat post-hoc — més comunament SHAP (SHapley Additive exPlanations) — per no només assenyalar observacions anòmales, sinó també revelar quines característiques van impulsar cada puntuació d'anomalia. Uneix la detecció d'anomalies no supervisada amb les demandes d'interpretabilitat de dominis regulats i d'alt risc.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM 2008), pp. 413–422. IEEE. DOI: 10.1109/ICDM.2008.17 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/ca/machine-learning/explainable-isolation-forest
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.
- Detecció d'anomalies amb autoencodersAprenentatge automàtic↔ compare
- Gradient Boosting ExplicableAprenentatge automàtic↔ compare
- Random Forest ExplicableAprenentatge automàtic↔ compare
- Isolation ForestAprenentatge automàtic↔ compare
- SVM d'una sola classeAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →