SHAP (SHapley Additive exPlanations)
SHAP on mallin selitystapa, jonka Scott Lundberg ja Su-In Lee esittelivät vuonna 2017. Se käyttää peliteorian Shapley-arvoja mittaamaan, kuinka paljon kukin piirre vaikuttaa yksittäiseen ennusteeseen, tehden mustan laatikon koneoppimismallien tuloksista tulkittavia. Se tukee sekä globaaleja selityksiä (yleinen piirteiden tärkeys) että paikallisia selityksiä (miksi yksi tietty ennuste muodostui siten kuin muodostui).
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/fi/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.
- PäätöspuuKoneoppiminen↔ compare
- Gaussin seosjakaumamalliKoneoppiminen↔ compare
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →