Обясним XGBoost
Обяснимият XGBoost съчетава високата предиктивна точност на градиентно-усилените дървета XGBoost със SHAP (SHapley Additive exPlanations) стойности, за да направи всяка прогноза напълно одитируема. Резултатът е модел, който съответства или надминава невронните мрежи при таблични данни, като същевременно предлага теоретично обосновани атрибуции на признаци за всяка прогноза, които удовлетворяват както научната прозрачност, така и регулаторните изисквания.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable XGBoost (XGBoost with SHAP-based Interpretability). ScholarGate. https://scholargate.app/bg/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.
- Обясним градиентен бустингМашинно обучение↔ compare
- Обясним LightGBMМашинно обучение↔ compare
- Обясним случаен лесМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →