Forklarbar Support Vector Machine
Forklarbar SVM kombinerer en trent Support Vector Machine med et post-hoc tolkningslag – typisk SHAP eller LIME – for å produsere forklaringer på funksjonsnivå for individuelle prediksjoner og globale viktighetsrangeringer. Den beholder SVMs diskriminerende kraft samtidig som den oppfyller krav til transparens i høyinnsatsdomener som medisin, finans og juss.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Support Vector Machine (XAI-augmented SVM). ScholarGate. https://scholargate.app/no/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.
- Forklarbar beslutningstreMaskinlæring↔ compare
- Forklarbar gradientforsterkningMaskinlæring↔ compare
- Forklarbar Naive BayesMaskinlæring↔ compare
- Explainable Random ForestMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →