SHAP (SHapley Additive exPlanations)
SHAP یک روش توضیح مدل است که توسط اسکات لاندبرگ و سو-این لی در سال ۲۰۱۷ معرفی شد و از مقادیر شپلی (Shapley values) از نظریه بازیهای تعاونی برای اندازهگیری میزان مشارکت هر ویژگی در یک پیشبینی فردی استفاده میکند و خروجی مدلهای یادگیری ماشین جعبه سیاه را قابل تفسیر میسازد. این روش از توضیحات سراسری (اهمیت کلی ویژگیها) و توضیحات محلی (چرا یک پیشبینی خاص به این شکل انجام شده است) پشتیبانی میکند.
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. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/fa/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.
- درخت تصمیمیادگیری ماشین↔ compare
- مدل آمیخته گوسییادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →