Explainable One-Class SVM
Explainable One-Class SVM เป็นการจับคู่ตัวตรวจจับความผิดปกติแบบ One-Class Support Vector Machine (One-Class SVM) ซึ่งเป็นวิธีคลาสสิกที่เรียนรู้ขอบเขตที่กระชับรอบข้อมูลปกติโดยไม่ต้องอาศัยข้อมูลความผิดปกติที่มีป้ายกำกับ เข้ากับวิธีการอธิบายผลหลังการประมวลผล (post-hoc explainability methods) เช่น SHAP หรือ LIME เพื่อเปิดเผยว่าคุณลักษณะใดเป็นตัวขับเคลื่อนคะแนนความแปลกใหม่หรือความผิดปกติแต่ละรายการ ซึ่งเป็นการเปลี่ยนขอบเขตการตัดสินใจที่ทึบให้กลายเป็นสัญญาณที่ตรวจสอบได้และสามารถระบุคุณลักษณะได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable One-Class Support Vector Machine. ScholarGate. https://scholargate.app/th/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.
- การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์การเรียนรู้ของเครื่อง↔ compare
- Isolation Forestการเรียนรู้ของเครื่อง↔ compare
- ปัจจัยค่าผิดปกติเฉพาะที่ (Local Outlier Factor: LOF)การเรียนรู้ของเครื่อง↔ compare
- One-class SVMการเรียนรู้ของเครื่อง↔ compare