SVM d'una classe explicable
L'SVM d'una classe explicable combina el detector d'anomalies clàssic One-Class Support Vector Machine — que aprèn un límit estret al voltant de les dades normals sense necessitar anomalies etiquetades — amb mètodes d'explicabilitat post-hoc com SHAP o LIME per revelar quines característiques impulsen cada puntuació de novetat o anomalia, convertint un límit de decisió opac en un senyal auditable i atribuïble per característiques.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/ca/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.
- Detecció d'anomalies amb autoencodersAprenentatge automàtic↔ compare
- Isolation ForestAprenentatge automàtic↔ compare
- Factor de Valors Atípics Locals (LOF)Aprenentatge automàtic↔ compare
- SVM d'una sola classeAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →