SHAP (SHapley Additive exPlanations)
SHAP on mudelipõhine selgitusmeetod, mille võtsid 2017. aastal kasutusele Scott Lundberg ja Su-In Lee. See kasutab ühistulise mänguteooria Shapley väärtusi, et mõõta, kui palju iga tunnuse panus üksikule ennustusele on, muutes musta kasti masinõppemudelite väljundi tõlgendatavaks. See toetab nii globaalseid selgitusi (üldine tunnuste tähtsus) kui ka kohalikke selgitusi (miks üks konkreetne ennustus kujunes selliseks).
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. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/et/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.
- OtsustuspuuMasinõpe↔ compare
- Gaussi seguimudelMasinõpe↔ compare
- Logistiline regressioonUurimisstatistika↔ compare
- Juhuslik metsMasinõpe↔ compare
- XGBoostMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →