Förklaringsbar isolationsskogar
Explainable Isolation Forest kombinerar algoritmen Isolation Forest för anomalidetektering med post-hoc-verktyg för förklarbarhet – oftast SHAP (SHapley Additive exPlanations) – för att inte bara flagga avvikande observationer utan också avslöja vilka egenskaper som drev varje anomalipoäng. Den överbryggar oövervakad anomalidetektering med tolkningskraven från reglerade och hög-riskdomäner.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/sv/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.
- Autoencoder AnomalidetekteringMaskininlärning↔ compare
- Förklarbar gradient-boostingMaskininlärning↔ compare
- Förklarbar Random ForestMaskininlärning↔ compare
- Isolation ForestMaskininlärning↔ compare
- One-class SVMMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →