SHAP (SHapley Additive exPlanations)
SHAP হলো একটি মডেল-ব্যাখ্যা পদ্ধতি, যা ২০১৭ সালে Scott Lundberg এবং Su-In Lee প্রবর্তন করেন। এটি সমবায় গেম তত্ত্ব (cooperative game theory) থেকে Shapley মান ব্যবহার করে পরিমাপ করে যে প্রতিটি বৈশিষ্ট্য (feature) একটি নির্দিষ্ট ভবিষ্যদ্বাণীতে (prediction) কতটা অবদান রেখেছে, যার ফলে ব্ল্যাক-বক্স মেশিন লার্নিং মডেলগুলির আউটপুট ব্যাখ্যাযোগ্য হয়ে ওঠে। এটি গ্লোবাল ব্যাখ্যা (সামগ্রিক বৈশিষ্ট্য গুরুত্ব) এবং লোকাল ব্যাখ্যা (কেন একটি নির্দিষ্ট ভবিষ্যদ্বাণী এমন হলো) উভয়কেই সমর্থন করে।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
উৎস
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/bn/machine-learning/shap-analysis
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.
- সিদ্ধান্ত বৃক্ষযন্ত্র শিখন↔ compare
- গাউসিয়ান মিক্সচার মডেলযন্ত্র শিখন↔ compare
- লজিস্টিক রিগ্রেশনগবেষণা পরিসংখ্যান↔ compare
- Random Forestযন্ত্র শিখন↔ compare
- XGBoostযন্ত্র শিখন↔ compare
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →