Explainable One-Class SVM
Explainable One-Class SVM empareja el detector clásico de anomalías One-Class Support Vector Machine — que aprende un límite estricto alrededor de los datos normales sin requerir anomalías etiquetadas — con métodos de explicabilidad post-hoc como SHAP o LIME para revelar qué características impulsan cada puntuación de novedad o anomalía, convirtiendo un límite de decisión opaco en una señal auditable y atribuible por características.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/es/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.
- Detección de anomalías con autoencoderAprendizaje automático↔ compare
- Isolation ForestAprendizaje automático↔ compare
- Factor de Valor Atípico Local (LOF)Aprendizaje automático↔ compare
- SVM de una claseAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →