Izskaidrojamā vienas klases SVM
Izskaidrojamā vienas klases SVM savieno klasisko vienas klases atbalsta vektoru mašīnas (One-Class Support Vector Machine – OCSVM) anomāliju detektoru, kas apgūst stingru robežu ap normāliem datiem, neprasot marķētas anomālijas, ar pēcpārbaudes izskaidrojamības metodēm, piemēram, SHAP vai LIME, lai atklātu, kuras pazīmes nosaka katru jaunuma vai anomālijas rādītāju, pārvēršot necaurredzamu lēmuma robežu par auditējamu, pazīmēm piesaistītu signālu.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/lv/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.
- Autoencoder anomāliju noteikšanaMašīnmācīšanās↔ compare
- Isolation ForestMašīnmācīšanās↔ compare
- Lokālā novirzes faktors (LOF)Mašīnmācīšanās↔ compare
- Vienas klases SVMMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →