Random Forest yang Dapat Dijelaskan
Random Forest yang Dapat Dijelaskan (XRF) menggabungkan kekuatan prediktif ansambel Random Forest milik Breiman dengan metode atribusi pasca-hoc yang sistematis — terutama nilai SHAP dan kepentingan rata-rata penurunan ketidakmurnian — untuk membuat keputusan model transparan dan dapat diaudit. Ini memberikan akurasi tinggi dan kontribusi fitur yang dapat diinterpretasikan oleh manusia, memenuhi permintaan dari regulator, pakar domain, dan peninjau akademis.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Sumber
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Random Forest (Interpretable Ensemble with Feature Attribution). ScholarGate. https://scholargate.app/id/machine-learning/explainable-random-forest
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.
- Pohon KeputusanPembelajaran Mesin↔ compare
- Peningkatan GradienPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →