ایکسجیبوستِ قابلتفسیر
ایکسجیبوستِ قابلتفسیر، دقت پیشبینی بالای درختهای تقویتشده با گرادیانِ ایکسجیبوست را با مقادیر SHAP (توضیحات افزایشی شاپلی) ترکیب میکند تا هر پیشبینی را کاملاً قابل حسابرسی سازد. نتیجه، مدلی است که در دادههای جدولی با شبکههای عصبی برابری میکند یا از آنها پیشی میگیرد، در حالی که ویژگیهای توصیفیِ مبتنی بر مبانی نظری برای هر پیشبینی ارائه میدهد که هم شفافیت علمی و هم الزامات نظارتی 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.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Explainable XGBoost (XGBoost with SHAP-based Interpretability). ScholarGate. https://scholargate.app/fa/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.
- تشریح تقویت گرادیان (Explainable Gradient Boosting)یادگیری ماشین↔ compare
- LightGBM قابل توضیحیادگیری ماشین↔ compare
- جنگل تصادفی قابل توضیح (Explainable Random Forest - XRF)یادگیری 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 →