إكس جي بي أو أو إس تي القابل للتفسير
يجمع إكس جي بي أو أو إس تي (XGBoost) القابل للتفسير بين الدقة التنبؤية العالية لأشجار التعزيز المتدرج (gradient-boosted trees) الخاصة بـ XGBoost وقيم شابل (SHAP - SHapley Additive exPlanations) لجعل كل تنبؤ قابلاً للتدقيق بالكامل. والنتيجة هي نموذج يضاهي الشبكات العصبية أو يتفوق عليها في البيانات الجدولية، مع توفير تفسيرات مستندة نظريًا لكل تنبؤ، تلبي متطلبات الشفافية العلمية والمتطلبات التنظيمية.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2(1), 56–67. DOI: 10.1038/s42256-019-0138-9 ↗
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Explainable XGBoost (XGBoost with SHAP-based Interpretability). ScholarGate. https://scholargate.app/ar/machine-learning/explainable-xgboost
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- شرح تعزيز التدرج (Explainable Gradient Boosting)تعلم الآلة↔ compare
- LightGBM القابل للتفسيرتعلم الآلة↔ compare
- الغابة العشوائية القابلة للتفسيرتعلم الآلة↔ compare
- تعزيز التدرجتعلم الآلة↔ compare
- الغابات العشوائيةتعلم الآلة↔ compare
- XGBoostتعلم الآلة↔ compare