Kontrafaktische Erklärungen
Kontrafaktische Erklärungen, eingeführt von Wachter, Mittelstadt und Russell im Jahr 2017, beantworten die Frage: 'Was ist die kleinste Änderung am Input, die zu einer anderen Modell-Ausgabe geführt hätte?' Anstatt zu erklären, warum ein Modell eine Entscheidung getroffen hat, beschreiben sie, was sich ändern müsste, damit diese Entscheidung umgekehrt wird, was sie besonders wertvoll für Anwendungen mit hohen Einsätzen wie Kredit-Scoring, medizinische Diagnostik und Einstellungsprozesse im Rahmen der EU-DSGVO macht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Wachter, S., Mittelstadt, B., & Russell, C. (2017). Counterfactual explanations without opening the black box: Automated decisions and the GDPR. Harvard Journal of Law & Technology, 31, 841–887. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/de/machine-learning/counterfactual-explanations
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.
- LIME: Local Interpretable Model-agnostic ExplanationsMaschinelles Lernen↔ compare
- Logistische RegressionForschungsstatistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →