SHAP 值和shap Python 库可用于此目的。自 2019 年 10 月以来，Shap 内置了对 scikit-learn IsolationForest 的支持。

import shap
from sklearn.ensemble import IsolationForest

# Load data and train Anomaly Detector as usual 
X_train, X_test, ...
est = IsolationForest()
est.fit(...)

# Create shap values and plot them
X_explain = X_test
shap_values = shap.TreeExplainer(est).shap_values(X_explain)
shap.summary_plot(shap_values, X_explain)

这是我为我拥有的一个 IsolationForest 模型绘制的一个示例，它是时间序列的。

您还可以获得特定特征的部分依赖图，或显示单个 X 实例的特征贡献的图。shap 项目 README 中给出了这方面的示例。

上下文异常值解释中描述了一种可能的描述无监督异常值检测中特征重要性的方法。与Lime方法类似，假设局部线性，并通过对感兴趣的异常值周围的数据点进行采样，生成分类问题。作者建议应用具有线性内核的 SVM，并使用估计的权重来衡量特征重要性。