Erklärbare One-Class SVM
Erklärbare One-Class SVM kombiniert den klassischen One-Class Support Vector Machine Anomalie-Detektor – der eine enge Grenze um normale Daten lernt, ohne gelabelte Anomalien zu benötigen – mit Post-hoc-Erklärbarkeitsmethoden wie SHAP oder LIME, um aufzudecken, welche Merkmale jeden Neuheits- oder Anomalie-Score antreiben, und wandelt eine undurchsichtige Entscheidungsgrenze in ein prüfbares, merkmalsbezogenes Signal um.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/de/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-AnomalieerkennungMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- Lokaler Ausreißerfaktor (LOF)Maschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →