Machine learningMachine learning
説明可能なLightGBM
説明可能なLightGBMは、MicrosoftのLightGBM勾配ブースティングフレームワークとSHAP（SHapley Additive exPlanations）を組み合わせることで、高い予測性能と、理論的に根拠のある厳密な特徴量レベルの説明の両方を提供します。予測精度と解釈可能性が同時に求められる応用研究で広く採用されています。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Explainable LightGBM (LightGBM with SHAP-based Interpretability). ScholarGate. https://scholargate.app/ja/machine-learning/explainable-lightgbm
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.
- CatBoost機械学習↔ compare
- 決定木機械学習↔ compare
- 勾配ブースティング機械学習↔ compare
- ランダムフォレスト機械学習↔ compare
- SHAP（SHapley Additive exPlanations）機械学習↔ compare
- XGBoost機械学習↔ compare