Объяснимый Isolation Forest
Объяснимый Isolation Forest объединяет алгоритм обнаружения аномалий Isolation Forest с пост-хок инструментами объяснимости — чаще всего SHAP (SHapley Additive exPlanations) — чтобы не только помечать аномальные наблюдения, но и выявлять, какие признаки повлияли на оценку каждой аномалии. Этот метод связывает неконтролируемое обнаружение аномалий с требованиями к интерпретируемости в регулируемых и критически важных областях.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/ru/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.
- Автоэнкодер для обнаружения аномалийМашинное обучение↔ compare
- Объяснимый градиентный бустингМашинное обучение↔ compare
- Объяснимый случайный лесМашинное обучение↔ compare
- Isolation ForestМашинное обучение↔ compare
- Одноклассовая SVMМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →