SVM à une classe explicable
Le SVM à une classe explicable associe le détecteur d'anomalies classique SVM à une classe (One-Class Support Vector Machine) — qui apprend une frontière étroite autour des données normales sans nécessiter d'anomalies étiquetées — à des méthodes d'explicabilité post-hoc telles que SHAP ou LIME pour révéler quelles caractéristiques déterminent chaque score de nouveauté ou d'anomalie, convertissant ainsi une frontière de décision opaque en un signal vérifiable et attribuable aux caractéristiques.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/fr/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.
- Détection d'anomalies par auto-encodeurApprentissage automatique↔ compare
- Isolation ForestApprentissage automatique↔ compare
- Facteur d'Anomalie Locale (LOF)Apprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →