Machine à Vecteurs de Support Explicable
Le SVM explicable combine un Support Vector Machine entraîné avec une couche d'interprétabilité post-hoc — typiquement SHAP ou LIME — pour produire des explications au niveau des caractéristiques pour les prédictions individuelles et des classements d'importance globale. Il conserve la puissance discriminante du SVM tout en répondant aux exigences de transparence dans des domaines à enjeux élevés tels que la médecine, la finance et le droit.
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 ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). 'Why should I trust you?': Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. DOI: 10.1145/2939672.2939778 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Support Vector Machine (XAI-augmented SVM). ScholarGate. https://scholargate.app/fr/machine-learning/explainable-support-vector-machine
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.
- Arbre de décision explicableApprentissage automatique↔ compare
- Gradient Boosting ExplicableApprentissage automatique↔ compare
- Naïve Bayes ExplicableApprentissage automatique↔ compare
- Forêt Aléatoire ExplicableApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →