SHAP (SHapley Additive exPlanations)
SHAP ist eine Methode zur Modellinterpretation, die 2017 von Scott Lundberg und Su-In Lee eingeführt wurde und Shapley-Werte aus der kooperativen Spieltheorie verwendet, um zu messen, wie stark jede Merkmal zu einer einzelnen Vorhersage beiträgt, wodurch die Ausgabe von Black-Box-Maschinenlernmodellen interpretierbar wird. Sie unterstützt sowohl globale Erklärungen (Gesamtbedeutung von Merkmalen) als auch lokale Erklärungen (warum eine bestimmte Vorhersage so ausfiel).
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. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/de/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.
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Gaußsches MischmodellMaschinelles Lernen↔ compare
- Logistische RegressionForschungsstatistik↔ compare
- Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →