Protučinjenjenska objašnjenja
Protučinjenjenska objašnjenja, uvedena od strane Wachtera, Mittelstadta i Russella 2017. godine, odgovaraju na pitanje: 'Koja je najmanja promjena ulaznih podataka koja bi proizvela drugačiji izlaz modela?' Umjesto objašnjavanja zašto je model donio odluku, opisuju što bi se trebalo promijeniti da bi se ta odluka poništila, što ih čini posebno vrijednima za primjene visokog rizika kao što su bodovanje kreditne sposobnosti, medicinska dijagnostika i odluke o zapošljavanju u okviru propisa poput GDPR-a EU.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/hr/machine-learning/counterfactual-explanations
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.
- LIME: Lokalna interpretibilna modelno-agnostička objašnjenjaStrojno učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →