Random Forest Explicable
Random Forest Explicable (XRF) combina el poder predictivo del ensamble Random Forest de Breiman con métodos sistemáticos de atribución post-hoc — principalmente valores SHAP e importancia de la disminución media de la impureza — para hacer transparentes y auditables las decisiones del modelo. Proporciona alta precisión e contribuciones de características interpretables por humanos, satisfaciendo las demandas de reguladores, expertos del dominio y revisores académicos por igual.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Fuentes
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Random Forest (Interpretable Ensemble with Feature Attribution). ScholarGate. https://scholargate.app/es/machine-learning/explainable-random-forest
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.
- Árbol de DecisiónAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →