Açıklanabilir İzolasyon Ormanı
Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability) · Ayrıca şöyle bilinir: XIF, Isolation Forest with SHAP, interpretable anomaly detection, explainable anomaly isolation
Açıklanabilir İzolasyon Ormanı, anomali tespiti yapan İzolasyon Ormanı algoritmasını, post-hoc açıklanabilirlik araçlarıyla — en yaygın olarak SHAP (SHapley Additive exPlanations) — birleştirerek sadece anormal gözlemleri işaretlemekle kalmaz, aynı zamanda her bir anomali skoruna hangi özelliklerin neden olduğunu da ortaya çıkarır. Bu yöntem, denetimsiz anomali tespitini, düzenlenmiş ve yüksek riskli alanların yorumlanabilirlik talepleriyle köprüler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Paydaşların işaretlenen her vaka için gerekçe istediği tablosal verilerde anomali tespiti yaparken Açıklanabilir İzolasyon Ormanı'nı kullanın — örneğin dolandırıcılık tespiti, ağ saldırısı izleme, kalite kontrol veya klinik aykırı değer tespiti. Verilerin etiketlenmediği (denetimli bir model eğitmek için bilinen dolandırıcılık veya hata örneği bulunmadığı) ve özelliklerin sürekli veya karışık olduğu durumlarda uygundur. Birincil ihtiyaç saf anomali sıralaması ise ve yorumlanabilirlik gereksinimi yoksa, standart İzolasyon Ormanı yeterli ve daha hızlı olduğundan, bol miktarda gerçek etiket olduğunda ve denetimli bir sınıflandırıcı daha güçlü olacağında kullanmayın.
Güçlü yönler & sınırlılıklar
- Etkili denetimsiz anomali tespitini, gözlem başına, özellik düzeyinde açıklamalarla birleştirir.
- SHAP değerleri, işbirlikçi oyun teorisine teorik olarak dayanır ve istenen aksiyomları (verimlilik, simetri, kukla, toplanabilirlik) karşılar.
- Yüksek boyutlu tablosal verilere ölçeklenir; TreeSHAP, üssel zaman yerine polinom zamanda çalışır.
- Etiket gerektirmez ve az sayıda hiperparametreye sahiptir — kontaminasyon oranı ve ağaç sayısı ana seçimlerdir.
- Model kararlarını şeffaf ve itiraz edilebilir hale getirerek düzenleyici ve denetim gereksinimlerini destekler.
- Sürekli, ikili ve sıralı değişkenler dahil olmak üzere karışık özellik türlerinde çalışır.
- SHAP değerleri, gerçek veri üreten anomali mekanizmasını değil, anomali skorunu açıklar, bu nedenle açıklama doğruluğu modelin kendi doğruluğu ile sınırlıdır.
- Kontaminasyon parametresinin tahmin edilmesi gerekir ve yanlış belirtme hem işaretleme eşiğini hem de SHAP için referans dağılımını kaydırır.
- İzolasyon Ormanı, yalnızca birden fazla özelliğin birlikte dikkate alındığında ayırt edilebilen anomalilerle (maskeleme etkisi) mücadele edebilir ve SHAP bu sınırlamayı miras alır.
- Hesaplama maliyeti, ağaç sayısı ve çok büyük veri kümelerinde SHAP değerlendirmeleri ile artar.
- Yorumlanabilirlik çıktıları, eyleme geçirilebilir kararlara dönüştürmek için alan uzmanlığı gerektirir.
SSS
Açıklanabilir İzolasyon Ormanı'nı eğitmek için etiketli anomali verilerine ihtiyacım var mı?
Hayır. İzolasyon Ormanı denetimsiz bir yöntemdir ve anomali veya normal gözlemlerin etiketli örneklerine ihtiyaç duymaz. Etiketler, mevcutsa işaretleme performansını değerlendirmek için sonradan kullanılabilir, ancak eğitim için gerekli değildir.
Kontaminasyon parametresini nasıl seçerim?
Alan bilgisinden başlayın — veri setinizde yaklaşık %2 dolandırıcılık bekliyorsanız, kontaminasyonu 0.02 olarak ayarlayın. Tahmin mevcut değilse, eşiği kalibre etmek için tutulan etiketli örnekleri kullanın veya skor dağılımını çizin ve skorlar arasındaki doğal bir kırılma noktası arayın.
İzolasyon Ormanı için SHAP değerleri kesin mi yoksa yaklaşık mı?
TreeSHAP, ağaç tabanlı modeller için kesin SHAP değerlerini polinom zamanda hesaplar, bu nedenle değerler modele göre kesindir. Sınırlama, modelin kendisinin gerçek anomali üreten süreci yalnızca yaklaştırmasıdır.
Açıklanabilir İzolasyon Ormanı kategorik özelliklerle başa çıkabilir mi?
İzolasyon Ormanı sayısal bölmeler üzerinde çalışır, bu nedenle kategorik özellikler uydurmadan önce sıralı veya tek-sıcak kodlanmış olmalıdır. SHAP değerleri daha sonra aynı orijinal değişkeni temsil eden kukla sütunlar üzerinde toplanarak birleşik bir özellik atfı verilebilir.
Ne zaman Açıklanabilir İzolasyon Ormanı yerine denetimli bir sınıflandırıcı tercih etmeliyim?
Anomali örnekleri için güvenilir, dengeli etiketli verileriniz varsa, denetimli bir sınıflandırıcı (SHAP açıklamalarıyla) neredeyse her zaman İzolasyon Ormanı'ndan daha iyi performans gösterir. Etiketlerin bulunmadığı, nadir olduğu veya güvenilmez olduğu ortamlarda Açıklanabilir İzolasyon Ormanı'nı saklayın.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/tr/machine-learning/explainable-isolation-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otokodlayıcı Anomali TespitiMakine öğrenmesi↔ karşılaştır
- Açıklanabilir Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Açıklanabilir Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır