SHAP (SHapley Additive exPlanations)
SHAP je metoda za objašnjavanje modela, koju su 2017. predstavili Scott Lundberg i Su-In Lee, a koja koristi Shapleyjeve vrijednosti iz teorije kooperativnih igara za mjerenje doprinosa svakog značajka (feature) pojedinačnom predviđanju, čime se postiže interpretativnost izlaznih podataka modela strojnog učenja tipa „crne kutije“. Podržava i globalna objašnjenja (ukupna važnost značajki) i lokalna objašnjenja (zašto je jedno specifično predviđanje ispalo na određeni način).
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
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/hr/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.
- Stablo odlučivanjaStrojno učenje↔ compare
- Gaussov model smjeseStrojno učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →