Erklärbares XGBoost
Erklärbares XGBoost kombiniert die hohe prädiktive Genauigkeit von XGBoost Gradient-Boosting-Bäumen mit SHAP (SHapley Additive exPlanations)-Werten, um jede Vorhersage vollständig auditierbar zu machen. Das Ergebnis ist ein Modell, das bei tabellarischen Daten neuronale Netze erreicht oder übertrifft und gleichzeitig theoretisch fundierte, prädiktionsbezogene Merkmalsattributionen bietet, die sowohl wissenschaftliche Transparenz als auch regulatorische Anforderungen erfüllen.
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
- Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2(1), 56–67. DOI: 10.1038/s42256-019-0138-9 ↗
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable XGBoost (XGBoost with SHAP-based Interpretability). ScholarGate. https://scholargate.app/de/machine-learning/explainable-xgboost
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.
- Erklärbarer Gradient BoostingMaschinelles Lernen↔ compare
- Erklärbares LightGBMMaschinelles Lernen↔ compare
- Erklärbarer ZufallswaldMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →