Wyjaśnialny las izolacyjny
Wyjaśnialny las izolacyjny (Explainable Isolation Forest) łączy algorytm detekcji anomalii Isolation Forest z narzędziami wyjaśnialności post-hoc — najczęściej SHAP (SHapley Additive exPlanations) — aby nie tylko oznaczać obserwacje anomalne, ale także ujawniać, które cechy przyczyniły się do uzyskania danego wyniku anomalii. Metoda ta łączy nienadzorowaną detekcję anomalii z wymogami interpretowalności w domenach regulowanych i o wysokiej stawce.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/pl/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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Wyjaśnialne wzmacnianie gradientoweUczenie maszynowe↔ compare
- Wyjaśnialny Las LosowyUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →