Επεξηγήσιμη Μονοκλασματική SVM
Η Επεξηγήσιμη Μονοκλασματική SVM συνδυάζει τον κλασικό ανιχνευτή ανωμαλιών One-Class Support Vector Machine — ο οποίος μαθαίνει ένα αυστηρό όριο γύρω από τα κανονικά δεδομένα χωρίς να απαιτεί επισημασμένες ανωμαλίες — με μεθόδους επεξηγησιμότητας μετά την εκπαίδευση (post-hoc), όπως οι SHAP ή LIME, για να αποκαλύψει ποια χαρακτηριστικά οδηγούν κάθε βαθμολογία καινοτομίας ή ανωμαλίας, μετατρέποντας ένα αδιαφανές όριο απόφασης σε ένα ελέγξιμο σήμα που αποδίδεται σε χαρακτηριστικά.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/el/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.
- Ανίχνευση ανωμαλιών με ΑυτοκωδικοποιητήΜηχανική Μάθηση↔ compare
- Isolation ForestΜηχανική Μάθηση↔ compare
- Τοπικός Παράγοντας Εκτός Τροχιάς (LOF)Μηχανική Μάθηση↔ compare
- One-Class SVMΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →