Objašnjivi Isolation Forest
Objašnjivi Isolation Forest (Explainable Isolation Forest) kombinira algoritam za detekciju anomalija Isolation Forest s post-hoc alatima za objašnjivost — najčešće SHAP (SHapley Additive exPlanations) — kako bi ne samo označio anomalne opservacije, već i otkrio koji su značajke (features) potaknule rezultat svake anomalije. On premošćuje nadzorovanu detekciju anomalija sa zahtjevima za interpretativnost u reguliranim domenama i domenama visokog rizika.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/hr/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.
- Detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Objašnjivo pojačanje gradijentaStrojno učenje↔ compare
- Explainable Random ForestStrojno učenje↔ compare
- Izolacijska šumaStrojno učenje↔ compare
- Jednoklasni SVMStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →