Объяснимый одноклассовый SVM
Объяснимый одноклассовый SVM (Explainable One-Class SVM) объединяет классический детектор аномалий на основе одноклассового метода опорных векторов (One-Class Support Vector Machine), который изучает плотную границу вокруг нормальных данных без необходимости в размеченных аномалиях, с пост-хок методами объяснимости, такими как SHAP или LIME, чтобы выявить, какие признаки определяют каждую оценку новизны или аномалии, преобразуя непрозрачную границу принятия решений в проверяемый сигнал, атрибутируемый признакам.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/ru/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.
- Автоэнкодер для обнаружения аномалийМашинное обучение↔ compare
- Isolation ForestМашинное обучение↔ compare
- Локальный фактор выбросов (Local Outlier Factor, LOF)Машинное обучение↔ compare
- Одноклассовая SVMМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →