جنگل تصادفی قابل توضیح (Explainable Random Forest - XRF)
جنگل تصادفی قابل توضیح (Explainable Random Forest - XRF) قدرت پیشبینیکنندگی گروه جنگل تصادفی برمن (Breiman's Random Forest) را با روشهای نظاممند انتساب پس از آموزش (post-hoc attribution methods) - عمدتاً مقادیر SHAP و اهمیت کاهش میانگین ناخالصی (mean-decrease-in-impurity) - ترکیب میکند تا تصمیمات مدل شفاف و قابل حسابرسی شوند. این روش هم دقت بالا و هم سهم ویژگیهای قابل تفسیر برای انسان را ارائه میدهد و نیازهای رگولاتورها، متخصصان حوزه و داوران دانشگاهی را برآورده میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Explainable Random Forest (Interpretable Ensemble with Feature Attribution). ScholarGate. https://scholargate.app/fa/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.
- درخت تصمیمیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →