Machine learningMachine learning
설명 가능한 고립 포레스트
설명 가능한 고립 포레스트는 고립 포레스트 이상 탐지 알고리즘과 사후 설명 가능성 도구(가장 일반적으로 SHAP(SHapley Additive exPlanations))를 결합하여 이상 관측치를 플래그 지정할 뿐만 아니라 각 이상 점수를 유발한 특성을 밝혀냅니다. 이는 비지도 이상 탐지와 규제 및 고위험 영역의 해석 가능성 요구 사항을 연결합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/ko/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.
- 오토인코더 이상 탐지머신러닝↔ compare
- 설명 가능한 그래디언트 부스팅머신러닝↔ compare
- Explainable Random Forest머신러닝↔ compare
- Isolation Forest머신러닝↔ compare
- One-Class SVM머신러닝↔ compare