יער אקראי מוסבר (Explainable Random Forest - XRF)
יער אקראי מוסבר (XRF) משלב את הכוח החיזוי של אנסמבל יער אקראי של בריימן עם שיטות השיוך הפוסט-הוק השיטתיות — בעיקר ערכי SHAP וחשיבות ירידה ממוצעת באי-טוהר (mean-decrease-in-impurity) — כדי להפוך את החלטות המודל לשקופות וניתנות לביקורת. הוא מספק גם דיוק גבוה וגם תרומות תכונה הניתנות להבנה אנושית, ובכך עונה על דרישות של רגולטורים, מומחי תחום וסוקרים אקדמיים כאחד.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
מקורות
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Explainable Random Forest (Interpretable Ensemble with Feature Attribution). ScholarGate. https://scholargate.app/he/machine-learning/explainable-random-forest
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.
- עץ החלטהלמידת מכונה↔ compare
- גרדיאנט בוסטינגלמידת מכונה↔ compare
- יער אקראילמידת מכונה↔ compare
- XGBoostלמידת מכונה↔ compare