Uitlegbare Isolation Forest
Uitlegbare Isolation Forest combineert het Isolation Forest-algoritme voor anomaliedetectie met post-hoc verklaringshulpmiddelen – meestal SHAP (SHapley Additive exPlanations) – om niet alleen afwijkende observaties te markeren, maar ook om te onthullen welke kenmerken de score van elke anomalie hebben bepaald. Het overbrugt niet-gesuperviseerde anomaliedetectie met de interpretabiliteitseisen van gereguleerde en risicovolle domeinen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/nl/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 AnomaliedetectieMachine learning↔ compare
- Explainable Gradient BoostingMachine learning↔ compare
- Uitlegbare Random ForestMachine learning↔ compare
- Isolation ForestMachine learning↔ compare
- One-Class SVMMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →