Uitlegbare Support Vector Machine
Uitlegbare SVM combineert een getrainde Support Vector Machine met een post-hoc interpreteerbaarheidslaag — typisch SHAP of LIME — om uitleg op feature-niveau te produceren voor individuele voorspellingen en globale belangrijkheidsrangschikkingen. Het behoudt het onderscheidend vermogen van SVM terwijl het voldoet aan transparantie-eisen in domeinen met hoge inzet, zoals geneeskunde, financiën en recht.
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 ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). 'Why should I trust you?': Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. DOI: 10.1145/2939672.2939778 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Support Vector Machine (XAI-augmented SVM). ScholarGate. https://scholargate.app/nl/machine-learning/explainable-support-vector-machine
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.
- Uitlegbare BeslisboomMachine learning↔ compare
- Explainable Gradient BoostingMachine learning↔ compare
- Verklaarbare Naive BayesMachine learning↔ compare
- Uitlegbare Random ForestMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →