جنگل ایزوله قابل توضیح
جنگل ایزوله قابل توضیح، الگوریتم تشخیص ناهنجاری جنگل ایزوله را با ابزارهای توضیحپذیری پس از وقوع ترکیب میکند — که معمولاً SHAP (SHapley Additive exPlanations) است — تا نه تنها مشاهدات ناهنجار را پرچمگذاری کند، بلکه ویژگیهایی را که باعث امتیاز ناهنجاری هر مورد شدهاند، آشکار سازد. این روش، تشخیص ناهنجاری بدون نظارت را با الزامات تفسیرپذیری در حوزههای تنظیمشده و پرمخاطره پیوند میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/fa/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.
- تشخیص ناهنجاری با خودرمزگذاریادگیری ماشین↔ compare
- تشریح تقویت گرادیان (Explainable Gradient Boosting)یادگیری ماشین↔ compare
- جنگل تصادفی قابل توضیح (Explainable Random Forest - XRF)یادگیری ماشین↔ compare
- جنگل ایزوله (Isolation Forest)یادگیری ماشین↔ compare
- ماشین بردار پشتیبان تک کلاسهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →