Isolation Forest yang Dapat Dijelaskan
Isolation Forest yang Dapat Dijelaskan menggabungkan algoritma deteksi anomali Isolation Forest dengan alat penjelasan pasca-hoc — yang paling umum adalah SHAP (SHapley Additive exPlanations) — untuk tidak hanya menandai observasi anomali tetapi juga mengungkapkan fitur mana yang mendorong skor anomali setiap observasi. Ini menjembatani deteksi anomali tanpa pengawasan dengan tuntutan interpretasi dari domain yang teregulasi dan berisiko tinggi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/id/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.
- Deteksi Anomali AutoencoderPembelajaran Mesin↔ compare
- Peningkatkan Gradien yang Dapat DijelaskanPembelajaran Mesin↔ compare
- Random Forest yang Dapat DijelaskanPembelajaran Mesin↔ compare
- Isolation ForestPembelajaran Mesin↔ compare
- SVM Satu KelasPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →