ฟอเรสต์การแยกตัวที่อธิบายได้
Explainable Isolation Forest เป็นการผสมผสานอัลกอริทึมตรวจจับความผิดปกติ Isolation Forest เข้ากับเครื่องมืออธิบายผลลัพธ์ภายหลัง (post-hoc explainability tools) โดยทั่วไปคือ SHAP (SHapley Additive exPlanations) เพื่อไม่เพียงแต่ระบุข้อมูลที่ผิดปกติเท่านั้น แต่ยังเปิดเผยว่าฟีเจอร์ใดเป็นตัวขับเคลื่อนคะแนนความผิดปกติแต่ละรายการ วิธีนี้เชื่อมโยงการตรวจจับความผิดปกติแบบไม่มีผู้สอน (unsupervised anomaly detection) เข้ากับความต้องการความสามารถในการตีความ (interpretability) ในโดเมนที่มีการกำกับดูแลและมีความสำคัญสูง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/th/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.
- การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์การเรียนรู้ของเครื่อง↔ compare
- Explainable Gradient Boostingการเรียนรู้ของเครื่อง↔ compare
- ฟอเรสต์สุ่มที่อธิบายได้การเรียนรู้ของเครื่อง↔ compare
- Isolation Forestการเรียนรู้ของเครื่อง↔ compare
- One-class SVMการเรียนรู้ของเครื่อง↔ compare