Machine learning
SHAP（SHapley Additive exPlanations）
SHAPは、Scott LundbergとSu-In Leeが2017年に発表したモデル説明手法であり、協力ゲーム理論のShapley値を用いて、個々の予測に対して各特徴量がどの程度寄与しているかを測定し、ブラックボックス機械学習モデルの出力を解釈可能にします。これは、グローバルな説明（全体的な特徴量の重要度）とローカルな説明（特定の予測がなぜそのようになったか）の両方をサポートします。
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, 4766–4777. link ↗
このページの引用方法
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/ja/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.
- 決定木機械学習↔ compare
- ガウス混合モデル機械学習↔ compare
- ロジスティック回帰研究統計↔ compare
- ランダムフォレスト機械学習↔ compare
- XGBoost機械学習↔ compare