Kontrafaktuaaliset selitykset
Kontrafaktuaaliset selitykset, jotka Wachter, Mittelstadt ja Russell esittelivät vuonna 2017, vastaavat kysymykseen: 'Mikä on pienin muutos syötteeseen, joka tuottaisi erilaisen mallin tuloksen?' Sen sijaan, että selitettäisiin, miksi malli teki päätöksen, ne kuvaavat, mitä pitäisi muuttaa, jotta kyseinen päätös kumottaisiin. Tämä tekee niistä erityisen arvokkaita korkean panoksen sovelluksissa, kuten luottoluokituksessa, lääketieteellisessä diagnostiikassa ja rekrytointipäätöksissä EU:n GDPR:n kaltaisten kehysten mukaisesti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- Wachter, S., Mittelstadt, B., & Russell, C. (2017). Counterfactual explanations without opening the black box: Automated decisions and the GDPR. Harvard Journal of Law & Technology, 31, 841–887. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/fi/machine-learning/counterfactual-explanations
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- LIME: Paikalliset tulkittavat mallista riippumattomat selityksetKoneoppiminen↔ vertaa
- Logistinen regressioTutkimuksen tilastomenetelmät↔ vertaa
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →