Förklarbar One-Class SVM
Förklarbar One-Class SVM kombinerar den klassiska anomalidetektorn One-Class Support Vector Machine – som lär sig en snäv gräns runt normal data utan att kräva märkta anomalier – med post-hoc förklarbarhetsmetoder som SHAP eller LIME för att avslöja vilka egenskaper som driver varje nyhet eller anomalipoäng, och omvandlar en ogenomskinlig beslutgräns till en granskningsbar, egenskapstillskriven signal.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/sv/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.
- Autoencoder AnomalidetekteringMaskininlärning↔ compare
- Isolation ForestMaskininlärning↔ compare
- Lokal avviksfaktor (LOF)Maskininlärning↔ compare
- One-class SVMMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →