python - 隔离森林的 LIME ML 解释器模式分类或回归（异常检测）

Question

我试图在我的 1000 多个文档的数据集中找到异常。我正在使用 LIME ML Interpreter 来解释模型（隔离森林）预测。在一个参数“模式”中，我可以在分类和回归之间进行选择。我没有一组已知异常的文档。由于隔离森林是一种无监督学习方法，而分类是一种监督学习，用于将观察结果分类为两个或更多类，我最终使用回归。另一方面，我有结果异常或没有异常。

在这里使用什么是正确的？

最好的问候，艾丽

Answer 1

对我们来说，我们所做的如下：

1. 使用隔离森林获取异常。
2. 将 Isolation Forest 返回的 1 和 -1 视为类标签并构建随机森林分类器。
3. 将此随机森林分类器传递给 LIME 以获得异常点的解释。

我们也在尝试寻找更好的选择，而不是构建二级随机森林分类器。

Answer 2

我看到的另一个选择是在 IsoForest 树构建期间保留 10-20% 的数据集。在这个坚持上对模型进行评分并获得异常分数（或平均树深度）并在此基础上构建解释器。然后在对新数据进行评分时，LIME 会将其视为回归问题......我不确定这会如何运作......

Answer 3

不是直接关于 LIME，但 Shapley 值可用于为 IsolationForest 创建类似的解释。看到这个答案。