SHAP (SHapley Additive exPlanations)
SHAP एक मॉडल-व्याख्या विधि है, जिसे 2017 में स्कॉट लुंडबर्ग और सु-इन ली द्वारा प्रस्तुत किया गया था, जो सहकारी खेल सिद्धांत से Shapley मानों का उपयोग करके यह मापता है कि प्रत्येक विशेषता व्यक्तिगत भविष्यवाणी में कितना योगदान करती है, जिससे ब्लैक-बॉक्स मशीन-लर्निंग मॉडल के आउटपुट को व्याख्या योग्य बनाया जा सके। यह वैश्विक व्याख्याओं (समग्र विशेषता महत्व) और स्थानीय व्याख्याओं (एक विशिष्ट भविष्यवाणी उस तरह से क्यों आई) दोनों का समर्थन करता है।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
Method map
The neighbourhood of related methods — select a node to explore.
स्रोत
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/hi/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.
- निर्णय वृक्षमशीन अधिगम↔ compare
- गाऊसी मिश्रण मॉडलमशीन अधिगम↔ compare
- लॉजिस्टिक रिग्रेशनअनुसंधान सांख्यिकी↔ compare
- रैंडम फ़ॉरेस्टमशीन अधिगम↔ compare
- XGBoostमशीन अधिगम↔ compare