Selitettävä Isolation Forest
Selitettävä Isolation Forest yhdistää Isolation Forest -poikkeamien havaitsemisalgoritmin jälkikäteisiin selitettävyystyökaluihin — yleisimmin SHAP (SHapley Additive exPlanations) — ei ainoastaan merkitäkseen poikkeavia havaintoja, vaan myös paljastaakseen, mitkä piirteet ajoivat kutakin poikkeamapisteytystä. Se yhdistää ohjaamattoman poikkeamien havaitsemisen säänneltyjen ja korkean panoksen alojen tulkittavuusvaatimuksiin.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/fi/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.
- Autoenkooderin poikkeamien tunnistusKoneoppiminen↔ compare
- Selitettävä gradienttitehostusKoneoppiminen↔ compare
- Selitettävä Random ForestKoneoppiminen↔ compare
- Isolation ForestKoneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →