SHAP (SHapley Additive exPlanations)
SHAP er en metode til modelforklaring, introduceret af Scott Lundberg og Su-In Lee i 2017, som anvender Shapley-værdier fra kooperativ spilteori til at måle, hvor meget hver feature bidrager til en individuel forudsigelse, hvilket gør output fra black-box maskinlæringsmodeller fortolkeligt. Den understøtter både globale forklaringer (overordnet feature-vigtighed) og lokale forklaringer (hvorfor en specifik forudsigelse endte, som den gjorde).
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/da/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.
- BeslutningstræMaskinlæring↔ compare
- Gaussisk BlandingsmodelMaskinlæring↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →