Wyjaśnialna maszynowa klasyfikacja SVM dla jednej klasy
Wyjaśnialna maszynowa klasyfikacja SVM dla jednej klasy (Explainable One-Class SVM) łączy klasyczny detektor anomalii typu One-Class Support Vector Machine — który uczy się ścisłej granicy wokół normalnych danych bez potrzeby posiadania oznakowanych anomalii — z metodami post-hoc wyjaśnialności, takimi jak SHAP lub LIME, w celu ujawnienia, które cechy napędzają każdy wynik nowości lub anomalii, przekształcając nieprzejrzystą granicę decyzyjną w sygnał możliwy do audytu i przypisany do cech.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/pl/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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- Lokalny Wskaźnik Wartości Odstających (Local Outlier Factor - LOF)Uczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →