SHAP (SHapley Additive exPlanations)
SHAP ialah kaedah penjelasan model, diperkenalkan oleh Scott Lundberg dan Su-In Lee pada tahun 2017, yang menggunakan nilai Shapley daripada teori permainan koperasi untuk mengukur sumbangan setiap ciri kepada ramalan individu, menjadikan output model pembelajaran mesin kotak hitam boleh ditafsirkan. Ia menyokong penjelasan global (kepentingan ciri keseluruhan) dan penjelasan tempatan (mengapa satu ramalan khusus berlaku seperti itu).
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/ms/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.
- Pohon KeputusanPembelajaran Mesin↔ compare
- Model Campuran GaussianPembelajaran Mesin↔ compare
- Regresi LogistikStatistik Penyelidikan↔ compare
- Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →