Support Vector Machine yang Dapat Dijelaskan
Support Vector Machine yang Dapat Dijelaskan (Explainable SVM) menggabungkan Support Vector Machine (SVM) yang telah dilatih dengan lapisan interpretasi pasca-hoc — biasanya SHAP atau LIME — untuk menghasilkan penjelasan tingkat fitur bagi prediksi individual dan peringkat kepentingan global. Metode ini mempertahankan kekuatan diskriminatif SVM sambil memenuhi persyaratan transparansi di domain berisiko tinggi seperti kedokteran, keuangan, dan hukum.
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 ↗
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Support Vector Machine (XAI-augmented SVM). ScholarGate. https://scholargate.app/id/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.
- Pohon Keputusan yang Dapat DijelaskanPembelajaran Mesin↔ compare
- Peningkatkan Gradien yang Dapat DijelaskanPembelajaran Mesin↔ compare
- Naive Bayes yang Dapat DijelaskanPembelajaran Mesin↔ compare
- Random Forest yang Dapat DijelaskanPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →