SHAP (SHapley Additive exPlanations)
Το SHAP είναι μια μέθοδος ερμηνείας μοντέλων, που εισήχθη από τους Scott Lundberg και Su-In Lee το 2017, η οποία χρησιμοποιεί τις τιμές Shapley από τη θεωρία των συνεταιριστικών παιγνίων για να μετρήσει πόσο συμβάλλει κάθε χαρακτηριστικό σε μια μεμονωμένη πρόβλεψη, καθιστώντας την έξοδο των μοντέλων μηχανικής μάθησης «μαύρου κουτιού» ερμηνεύσιμη. Υποστηρίζει τόσο καθολικές ερμηνείες (συνολική σημασία χαρακτηριστικών) όσο και τοπικές ερμηνείες (γιατί μια συγκεκριμένη πρόβλεψη κατέληξε όπως κατέληξε).
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/el/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.
- Δέντρο ΑποφάσεωνΜηχανική Μάθηση↔ compare
- Μοντέλο Γκαουσιανής ΜίξηςΜηχανική Μάθηση↔ compare
- Λογιστική ΠαλινδρόμησηΕρευνητική Στατιστική↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →