Machine learning
SHAP (SHapley Additive exPlanations)
SHAP היא שיטה להסבר מודלים, שהוצגה על ידי סקוט לונדברג וסו-אין לי בשנת 2017, המשתמשת בערכי שאפלי (Shapley values) מתורת המשחקים השיתופיים כדי למדוד עד כמה כל מאפיין תורם לחיזוי בודד, ובכך הופכת את הפלט של מודלי למידת מכונה מסוג "קופסה שחורה" (black-box) לניתן לפירוש. היא תומכת הן בהסברים גלובליים (חשיבות מאפיינים כוללת) והן בהסברים מקומיים (מדוע חיזוי ספציפי אחד יצא כפי שיצא).
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/he/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.
- עץ החלטהלמידת מכונה↔ compare
- מודל תערובת גאוסיאניתלמידת מכונה↔ compare
- רגרסיה לוגיסטיתסטטיסטיקה למחקר↔ compare
- יער אקראילמידת מכונה↔ compare
- XGBoostלמידת מכונה↔ compare