SHAP (SHapley Additive exPlanations)
SHAP ir metodes modeļu skaidrošanai, ko 2017. gadā ieviesa Skots Lundbergs un Su-In Lī. Tā izmanto kooperatīvo spēļu teorijas Šapli vērtības, lai novērtētu, cik lielā mērā katrs attēls (features) veicina individuālu prognozi, padarot melnās kastes mašīnmācīšanās modeļu izvadi interpretējamu. Tā atbalsta gan globālus skaidrojumus (vispārēju attēlu nozīmi), gan lokālus skaidrojumus (kāpēc viena konkrēta prognoze tika veikta).
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/lv/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.
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- Gausa sadalījuma maisījuma modelisMašīnmācīšanās↔ compare
- Logistiskā regresijaPētniecības statistika↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →