blocks|key|723037|text|SHAP值和shap库可用于此。有关示例，请参见这个答案。|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|723038|在为数据点从解释器中获取shap值之后，可以使用瀑布地块查看不同的特性对决策的贡献。|723039|shap.plots.waterfall(shap_values[0])|code-block|syntax|javascript|723040|它将给出一个类似于此的情节：|723041|​|723042|📷|atomic|723043|723044|entityMap|0|LINK|mutability|MUTABLE|url|https://github.com/slundberg/shap|1|https://stats.stackexchange.com/questions/404017/how-to-get-top-features-that-contribute-to-anomalies-in-isolation-forest/451518#451518|2|https://shap.readthedocs.io/en/latest/example_notebooks/api_examples/plots/waterfall.html|3|IMAGE|IMMUTABLE|imageUrl|https://developer.qcloudimg.com/http-save/yehe-900000/67562da362073482966e810345685718.png|imageAlt^0|6|5|0|O|4|1|0|O|4|2|0|0|0|0|0|1|3|0|0^^$0|@$1|2|3|4|5|6|7|1A|8|@]|9|@$A|1B|B|1C|1|1D]|$A|1E|B|1F|1|1G]]|C|$]]|$1|D|3|E|5|6|7|1H|8|@]|9|@$A|1I|B|1J|1|1K]]|C|$]]|$1|F|3|G|5|H|7|1L|8|@]|9|@]|C|$I|J]]|$1|K|3|L|5|6|7|1M|8|@]|9|@]|C|$]]|$1|M|3|N|5|6|7|1N|8|@]|9|@]|C|$]]|$1|O|3|P|5|Q|7|1O|8|@]|9|@$A|1P|B|1Q|1|1R]]|C|$]]|$1|R|3|N|5|6|7|1S|8|@]|9|@]|C|$]]|$1|S|3|-4|5|6|7|1T|8|@]|9|@]|C|$]]]|T|$U|$5|V|W|X|C|$Y|Z]]|10|$5|V|W|X|C|$Y|11]]|12|$5|V|W|X|C|$Y|13]]|14|$5|15|W|16|C|$17|18|19|-4]]]]

SHAP values and the <a href="https://github.com/slundberg/shap" rel="nofollow noreferrer">shap library</a> can be used for this. See <a href="https://stats.stackexchange.com/questions/404017/how-to-get-top-features-that-contribute-to-anomalies-in-isolation-forest/451518#451518">this answer</a> for an example.
After getting the shap values out of the explainer for your datapoints, you can use the <a href="https://shap.readthedocs.io/en/latest/example_notebooks/api_examples/plots/waterfall.html" rel="nofollow noreferrer">waterfall plots</a> to see how different features contributed to the decision.
<pre class="lang-py prettyprint-override"><code>shap.plots.waterfall(shap_values[0])
</code></pre>
It will give a plot similar to this:
<a href="https://i.stack.imgur.com/9gYm6.png" rel="nofollow noreferrer"><img src="https://i.stack.imgur.com/9gYm6.png" alt="enter image description here" /></a>

I'm training an unsupersived isolation forest model with a dataframe that contains 10 features , the model performs well and detect anomalies.
My question is if an anomaly is catched i want to know which feature(s) has caused that anomaly.
Is there any way to do it ?
If not , is there an other model that allows me to do it

How to know which features causes anomalies while training isolation forest model

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我正在训练一个不加监管的隔离森林模型，它包含了10个特性，该模型表现良好并检测异常。我的问题是，如果一个异常被捕获，我想知道是哪个特性导致了这个异常。有什么办法吗？如果没有，是否有其他模式允许我这样做？

问如何在训练隔离林模型时识别哪些特征导致异常
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问如何在训练隔离林模型时识别哪些特征导致异常EN