Forklarbar XGBoost
Forklarbar XGBoost kombinerer den høye prediktive nøyaktigheten til XGBoost gradient-boostede trær med SHAP (SHapley Additive exPlanations) verdier for å gjøre hver prediksjon fullt ut revisjonsbar. Resultatet er en modell som matcher eller overgår nevrale nettverk på tabulære data, samtidig som den tilbyr teoretisk funderte, per-prediksjons funksjonsattribueringer som tilfredsstiller både vitenskapelig transparens og regulatoriske krav.
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
- Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2(1), 56–67. DOI: 10.1038/s42256-019-0138-9 ↗
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable XGBoost (XGBoost with SHAP-based Interpretability). ScholarGate. https://scholargate.app/no/machine-learning/explainable-xgboost
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.
- Forklarbar gradientforsterkningMaskinlæring↔ compare
- Forklarbar LightGBMMaskinlæring↔ compare
- Explainable Random ForestMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →