SHAP (SHapley Additive exPlanations)
SHAP er en metode for modellforklaring, introdusert av Scott Lundberg og Su-In Lee i 2017, som bruker Shapley-verdier fra kooperativ spillteori for å måle hvor mye hver egenskap bidrar til en individuell prediksjon, noe som gjør output fra "black-box" maskinlæringsmodeller tolkbar. Den støtter både globale forklaringer (overordnet egenskapsviktighet) og lokale forklaringer (hvorfor en spesifikk prediksjon ble som den ble).
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. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/no/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.
- BeslutningstreMaskinlæring↔ compare
- Gaussisk blandingsmodellMaskinlæring↔ compare
- Logistisk regresjonForskningsstatistikk↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →