Vysvětlitelný Isolation Forest
Vysvětlitelný Isolation Forest kombinuje algoritmus detekce anomálií Isolation Forest s post-hoc nástroji pro vysvětlitelnost — nejčastěji SHAP (SHapley Additive exPlanations) — nejen k označení anomálních pozorování, ale také k odhalení, které příznaky poháněly skóre každé anomálie. Přemosťuje tak bezdozorovou detekci anomálií s požadavky na interpretovatelnost regulovaných a vysoce rizikových domén.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/cs/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.
- Detekce anomálií pomocí autoenkodéruStrojové učení↔ compare
- Vysvětlitelný gradientní boostingStrojové učení↔ compare
- Vysvětlitelný náhodný lesStrojové učení↔ compare
- Isolation ForestStrojové učení↔ compare
- One-class SVMStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →