Isolation Forest Explicable
L'Isolation Forest Explicable combine l'algorithme de détection d'anomalies Isolation Forest avec des outils d'explicabilité post-hoc — le plus souvent SHAP (SHapley Additive exPlanations) — pour non seulement signaler les observations anormales, mais aussi révéler quelles caractéristiques ont influencé chaque score d'anomalie. Elle fait le pont entre la détection d'anomalies non supervisée et les exigences d'interprétabilité des domaines réglementés et à enjeux élevés.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/fr/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.
- Détection d'anomalies par auto-encodeurApprentissage automatique↔ compare
- Gradient Boosting ExplicableApprentissage automatique↔ compare
- Forêt Aléatoire ExplicableApprentissage automatique↔ compare
- Isolation ForestApprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →