Vysvětlitelný One-Class SVM
Vysvětlitelný One-Class SVM kombinuje klasický detektor anomálií One-Class Support Vector Machine – který se učí těsnou hranici kolem normálních dat, aniž by vyžadoval označené anomálie – s post-hoc metodami vysvětlitelnosti, jako jsou SHAP nebo LIME, aby odhalil, které rysy ovlivňují každé skóre novosti nebo anomálie, čímž převádí neprůhlednou rozhodovací hranici na auditovatelný signál s přiřaditelnými rysy.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/cs/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.
- Detekce anomálií pomocí autoenkodéruStrojové učení↔ compare
- Isolation ForestStrojové učení↔ compare
- Lokální faktor odlehlosti (LOF)Strojové učení↔ compare
- One-class SVMStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →