Vysvětlitelný Gaussovský proces
Vysvětlitelný Gaussovský proces (XAI-GP) kombinuje pravděpodobnostní predikce Gaussovského procesu, které zohledňují nejistotu, se systematickými nástroji interpretovatelnosti — jako jsou SHAP hodnoty, dekompozice jádra nebo analýza citlivosti — takže každá predikce je doprovázena jak kalibrovaným intervalem spolehlivosti, tak auditovatelným vysvětlením, které vstupy ji ovlivnily.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/cs/machine-learning/explainable-gaussian-process
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.
- Bayesovský Gaussovský procesStrojové učení↔ compare
- Vysvětlitelný gradientní boostingStrojové učení↔ compare
- Vysvětlitelný náhodný lesStrojové učení↔ compare
- Gaussovský procesStrojové učení↔ compare
- Regularizovaný Gaussovský procesStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →