Explainable One-Class SVM
Explainable One-Class SVM combina o detector clássico de anomalias One-Class Support Vector Machine — que aprende um limite restrito em torno de dados normais sem exigir anomalias rotuladas — com métodos de explicabilidade pós-hoc, como SHAP ou LIME, para revelar quais características impulsionam cada pontuação de novidade ou anomalia, convertendo um limite de decisão opaco em um sinal auditável e atribuível por características.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/pt/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.
- Detecção de Anomalias com AutoencoderAprendizado de máquina↔ compare
- Isolation ForestAprendizado de máquina↔ compare
- Local Outlier Factor (LOF)Aprendizado de máquina↔ compare
- One-Class SVMAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →