Erklärbarer Isolation Forest
Erklärbarer Isolation Forest kombiniert den Anomalieerkennungsalgorithmus Isolation Forest mit Post-hoc-Erklärbarkeitswerkzeugen – am häufigsten SHAP (SHapley Additive exPlanations) –, um nicht nur anomale Beobachtungen zu kennzeichnen, sondern auch aufzudecken, welche Merkmale die jeweilige Anomaliepunktzahl angetrieben haben. Er schlägt die Brücke zwischen unüberwachter Anomalieerkennung und den Interpretationsanforderungen regulierter und risikoreicher Domänen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/de/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.
- Autoencoder-AnomalieerkennungMaschinelles Lernen↔ compare
- Erklärbarer Gradient BoostingMaschinelles Lernen↔ compare
- Erklärbarer ZufallswaldMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →