SHAP (SHapley Additive exPlanations)
SHAP je metoda vysvětlování modelů, kterou v roce 2017 představili Scott Lundberg a Su-In Lee. Využívá Shapleyho hodnoty z teorie kooperativních her k měření příspěvku každé příznakové proměnné k jednotlivé predikci, čímž činí výstupy modelů strojového učení typu „černá skříňka“ interpretovatelnými. Podporuje jak globální vysvětlení (celková důležitost příznaků), tak lokální vysvětlení (proč jedna konkrétní predikce dopadla tak, jak dopadla).
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
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/cs/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.
- Rozhodovací stromStrojové učení↔ compare
- Gaussovský směsný modelStrojové učení↔ compare
- Logistická regreseStatistika ve výzkumu↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →