Explainable One-Class SVM
Explainable One-Class SVM koppelt de klassieke One-Class Support Vector Machine anomaliedetector — die een strakke grens leert rond normale data zonder gelabelde anomalieën te vereisen — aan post-hoc verklaarbaarheidsmethoden zoals SHAP of LIME om te onthullen welke kenmerken de score van elke nieuwigheid of anomalie aansturen, en transformeert zo een ondoorzichtige beslissingsgrens in een controleerbaar, aan kenmerken toe te schrijven signaal.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/nl/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 AnomaliedetectieMachine learning↔ compare
- Isolation ForestMachine learning↔ compare
- Local Outlier Factor (LOF)Machine learning↔ compare
- One-Class SVMMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →