SHAP (SHapley Additive exPlanations)
A SHAP a modellmagyarázási módszer, amelyet Scott Lundberg és Su-In Lee vezetett be 2017-ben. A kooperatív játékelmélet Shapley-értékeit használja annak mérésére, hogy az egyes jellemzők mennyiben járulnak hozzá egy egyedi predikcióhoz, ezáltal értelmezhetővé téve a fekete dobozos gépi tanulási modellek kimenetét. Támogatja mind a globális magyarázatokat (általános jellemzői fontosság), mind a lokális magyarázatokat (miért alakult így egy specifikus predikció).
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/hu/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.
- Döntési faGépi tanulás↔ compare
- Gauss-keverék modellGépi tanulás↔ compare
- Logistic RegressionKutatási statisztika↔ compare
- Véletlen erdőGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →