Python 隔离林的LIME ML解释器模式分类或回归（异常检测）

我试图在1000多个文档的数据集中发现异常。我使用LIME ML解释器来解释模型（隔离林）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。 由于隔离林是一种无监督学习方法，分类是一种监督学习，用于将观察结果分类为两个或多个类别，因此我最终使用了回归。另一方面，我有结果异常或没有异常

在这里什么是正确的使用

致以最良好的祝愿，

---

Elle

对于我们来说，我们所做的如下：

使用隔离林获取异常

将隔离林返回的1和-1作为类标签，并构建一个随机林分类器

将此随机森林分类器传递给石灰，以获得异常点的解释

---

我们还试图找到一个更好的选择，而不是构建二级随机森林分类器。

不是直接关于石灰，但Shapley值可以用于为IsolationForest创建类似的解释。请参阅。

我看到的另一个选择是在构建异黄酮树期间保留10-20%的数据集。在此基础上，对模型进行评分，获得异常评分（或平均树深度），并在此基础上构建解释者。然后在评分新数据时，莱姆会将其视为一个回归问题……不过我不确定这会有多好