Isolation Forest Explicável
Isolation Forest Explicável combina o algoritmo de detecção de anomalias Isolation Forest com ferramentas de explicabilidade pós-hoc — mais comumente SHAP (SHapley Additive exPlanations) — para não apenas sinalizar observações anômalas, mas também revelar quais características impulsionaram cada pontuação de anomalia. Ele une a detecção de anomalias não supervisionada com as demandas de interpretabilidade de domínios regulamentados e de alto risco.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/pt/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.
- Detecção de Anomalias com AutoencoderAprendizado de máquina↔ compare
- Gradient Boosting ExplicávelAprendizado de máquina↔ compare
- Floresta Aleatória ExplicávelAprendizado de máquina↔ compare
- Isolation ForestAprendizado de máquina↔ compare
- One-Class SVMAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →