Isolation Forest Spiegabile
Isolation Forest Spiegabile combina l'algoritmo di rilevamento anomalie Isolation Forest con strumenti di spiegabilità post-hoc — più comunemente SHAP (SHapley Additive exPlanations) — per non solo segnalare osservazioni anomale, ma anche rivelare quali feature hanno guidato ciascun punteggio di anomalia. Colma il divario tra il rilevamento di anomalie non supervisionato e le esigenze di interpretabilità dei domini regolamentati e ad alto rischio.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/it/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.
- Rilevamento anomalie con autoencoderApprendimento automatico↔ compare
- Gradient Boosting SpiegabileApprendimento automatico↔ compare
- Foresta Casuale SpiegabileApprendimento automatico↔ compare
- Isolation ForestApprendimento automatico↔ compare
- One-Class SVMApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →