Forklarbare Ekstra Trær
Forklarbare Ekstra Trær kombinerer ensemblealgoritmen Extremely Randomized Trees (Extra Trees) med post-hoc forklarbarhetsmetoder — oftest SHAP-verdier — for å levere både sterk prediktiv ytelse og transparente forklaringer på funksjonsnivå. Den utvider den klassiske Extra Trees-klassifikatoren eller -regressoren slik at hver prediksjon kan dekomponeres til individuelle funksjonsbidrag, og tilfredsstiller krav til ansvarlighet i anvendte og regulerte domener.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42. DOI: 10.1007/s10994-006-6226-1 ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Extremely Randomized Trees (Extra Trees with Post-Hoc Interpretability). ScholarGate. https://scholargate.app/no/machine-learning/explainable-extra-trees
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.
- BeslutningstreMaskinlæring↔ compare
- Ekstra trærMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →