تلفیق تودرتوی تبیینپذیر
تلفیق تودرتوی تبیینپذیر، قدرت پیشبینیِ تعمیم تودرتو (stacked generalisation) — یعنی آموزش یک فرا-یادگیرنده (meta-learner) بر خروجیهای چندین مدل پایهی متنوع — را با ابزارهای تفسیرپذیری مانند SHAP یا LIME ترکیب میکند که چگونگی سهم هر مدل پایه و هر ویژگی ورودی در پیشبینی نهایی را آشکار میسازند. این روش، موازنهی دقت-شفافیت را که باعث میشود تودرتویِ صرف در تنظیمات پرمخاطره، مبهم باشد، مرتفع 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.
منابع
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Explainable Stacking Ensemble (Interpretable Meta-Learning). ScholarGate. https://scholargate.app/fa/machine-learning/explainable-stacking-ensemble
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.
- انسامبل بگینگیادگیری گروهی↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →