Selitettävä yhden luokan SVM
Selitettävä yhden luokan SVM yhdistää klassisen yhden luokan tukivektorikoneen (One-Class Support Vector Machine) poikkeamienilmaisimen – joka oppii tiukan rajan normaalin datan ympärille ilman merkittyjä poikkeamia – jälkikäteisiin selitettävyysmenetelmiin, kuten SHAP tai LIME, paljastaakseen, mitkä piirteet ohjaavat kutakin uutuus- tai poikkeamapisteytystä, muuttaen läpinäkymättömän päätösrajan auditoitavaksi, piirteisiin liitettäväksi signaaliksi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/fi/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.
- Autoenkooderin poikkeamien tunnistusKoneoppiminen↔ compare
- Isolation ForestKoneoppiminen↔ compare
- Local Outlier Factor (LOF)Koneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →