Forklarlig One-Class SVM
Forklarlig One-Class SVM parrer den klassiske One-Class Support Vector Machine anomalidetektor — som lærer en tæt grænse omkring normale data uden at kræve mærkede anomalier — med post-hoc forklaringsmetoder som SHAP eller LIME for at afsløre, hvilke features der driver hver nyheds- eller anomaliscore, og omdanner en uigennemsigtig beslutningsgrænse til et auditerbart, feature-attributabelt signal.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/da/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.
- Autoencoder AnomalidetektionMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- Local Outlier Factor (LOF)Maskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →