One-Class SVM Spiegabile
Explainable One-Class SVM accoppia il classico rilevatore di anomalie One-Class Support Vector Machine — che apprende un confine stretto attorno ai dati normali senza richiedere anomalie etichettate — con metodi di spiegabilità post-hoc come SHAP o LIME per rivelare quali caratteristiche guidano ogni punteggio di novità o anomalia, convertendo un confine decisionale opaco in un segnale verificabile e attribuibile per caratteristiche.
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
- Schölkopf, B., Williamson, R., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support vector method for novelty detection. Advances in Neural Information Processing Systems, 12, 582–588. link ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/it/machine-learning/explainable-one-class-svm
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
- Isolation ForestApprendimento automatico↔ compare
- Local Outlier Factor (LOF)Apprendimento automatico↔ compare
- One-Class SVMApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →