Selgitatav XGBoost
Selgitatav XGBoost ühendab XGBoost gradient-boostitud puude kõrge ennustusvõime SHAP (SHapley Additive exPlanations) väärtustega, et muuta iga ennustus täielikult auditeeritavaks. Tulemuseks on mudel, mis tabelandmete puhul võrdub või ületab närvivõrkude tulemusi, pakkudes samal ajal teoreetiliselt põhjendatud, ennustuskohtaseid funktsioonide atribuute, mis vastavad nii teaduslikule läbipaistvusele kui ka regulatiivsetele nõudmistele.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Explainable XGBoost (XGBoost with SHAP-based Interpretability). ScholarGate. https://scholargate.app/et/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.
- Selgitatav gradienttugevdamineMasinõpe↔ compare
- Selgitatav LightGBMMasinõpe↔ compare
- Selgitatav juhuslik metsMasinõpe↔ compare
- Gradient BoostingMasinõpe↔ compare
- Juhuslik metsMasinõpe↔ compare
- XGBoostMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →