Kontrafaktuális magyarázatok
A kontrafaktuális magyarázatokat, amelyeket Wachter, Mittelstadt és Russell vezettek be 2017-ben, a következő kérdésre válaszolnak: 'Mi az a legkisebb bemeneti változtatás, amely más kimenetet eredményezne a modellből?' Ahelyett, hogy megmagyaráznák, miért hozott a modell egy döntést, azt írják le, hogy mit kellene megváltoztatni ahhoz, hogy a döntés megforduljon, így különösen értékesek olyan magas tétű alkalmazásokban, mint a hitelképesség-pontozás, az orvosi diagnosztika és a HR-döntések az EU GDPR keretein belül.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/hu/machine-learning/counterfactual-explanations
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- LIME: Helyi értelmezhető modellagnosztikus magyarázatokGépi tanulás↔ összehasonlítás
- Logistic RegressionKutatási statisztika↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →