SHAP (SHapley Additive exPlanations)
SHAP is een methode voor modelverklaring, geïntroduceerd door Scott Lundberg en Su-In Lee in 2017, die Shapley-waarden uit de coöperatieve speltheorie gebruikt om te meten hoeveel elke kenmerk bijdraagt aan een individuele voorspelling, waardoor de output van black-box machine learning-modellen interpreteerbaar wordt. Het ondersteunt zowel globale verklaringen (algemeen kenmerkbelang) als lokale verklaringen (waarom één specifieke voorspelling tot stand kwam).
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Deze pagina citeren
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/nl/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.
- BeslisboomMachine learning↔ compare
- Gaussiaans Mixture ModelMachine learning↔ compare
- Logistische RegressieOnderzoeksstatistiek↔ compare
- Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →