Forklarbar Én-klasse SVM
Forklarbar Én-klasse SVM kombinerer den klassiske One-Class Support Vector Machine anomalidetektoren — som lærer en stram grense rundt normale data uten å kreve merkede anomalier — med post-hoc forklarbarhetsmetoder som SHAP eller LIME for å avsløre hvilke trekk som driver hver nyhet eller anomaliscore, og konverterer en ugjennomsiktig beslutningsgrense til et reviderbart, trekk-attribuerbart signal.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/no/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.
- Autoenkoder-anomalideteksjonMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- Local Outlier Factor (LOF)Maskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →