Máquina de Vectores de Soporte Explicable
La Máquina de Vectores de Soporte Explicable (Explainable SVM) combina una Máquina de Vectores de Soporte (SVM) entrenada con una capa de interpretabilidad post-hoc — típicamente SHAP o LIME — para producir explicaciones a nivel de característica para predicciones individuales y clasificaciones de importancia global. Conserva el poder discriminatorio de la SVM mientras cumple con los requisitos de transparencia en dominios de alto riesgo como la medicina, las finanzas y el derecho.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Support Vector Machine (XAI-augmented SVM). ScholarGate. https://scholargate.app/es/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.
- Árbol de Decisión ExplicableAprendizaje automático↔ compare
- Gradient Boosting ExplicableAprendizaje automático↔ compare
- Naive Bayes ExplicableAprendizaje automático↔ compare
- Random Forest ExplicableAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →