Forklarlig Support Vector Machine
Forklarlig SVM kombinerer en trænet Support Vector Machine med et post-hoc fortolkningslag — typisk SHAP eller LIME — for at producere funktionsniveauforklaringer for individuelle forudsigelser og globale vigtighedsrangeringer. Den bevarer SVM'ens diskriminerende kraft, samtidig med at den opfylder gennemsigtighedskrav i højrisikodomæner som medicin, finans og jura.
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
- Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). 'Why should I trust you?': Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. DOI: 10.1145/2939672.2939778 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable Support Vector Machine (XAI-augmented SVM). ScholarGate. https://scholargate.app/da/machine-learning/explainable-support-vector-machine
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.
- Forklarligt beslutningstræMaskinlæring↔ compare
- Forklarlig Gradient BoostingMaskinlæring↔ compare
- Forklarbar Naive BayesMaskinlæring↔ compare
- Forklarlig Random ForestMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →