Skaidrojamais izolācijas mežs
Skaidrojamais izolācijas mežs (Explainable Isolation Forest) apvieno izolācijas meža (Isolation Forest) anomaliju noteikšanas algoritmu ar pēcapmācības skaidrojamības rīkiem — visbiežāk SHAP (SHapley Additive exPlanations) — lai ne tikai atzīmētu anomālas novērojumu, bet arī atklātu, kuri faktori ir izraisījuši katru anomālijas rādītāju. Tas savieno nepieskatītu anomaliju noteikšanu ar regulētu un augsta riska domēnu interpretējamības prasībām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/lv/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.
- Autoencoder anomāliju noteikšanaMašīnmācīšanās↔ compare
- Paskaidrojamā gradientu pastiprināšanaMašīnmācīšanās↔ compare
- Skaidrojams nejaušs mežsMašīnmācīšanās↔ compare
- Isolation ForestMašīnmācīšanās↔ compare
- Vienas klases SVMMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →