Wyjaśnienia kontrfaktyczne
Wyjaśnienia kontrfaktyczne, wprowadzone przez Wachtera, Mittelstadta i Russella w 2017 roku, odpowiadają na pytanie: „Jaka jest najmniejsza zmiana wejściowa, która spowodowałaby inną decyzję modelu?”. Zamiast wyjaśniać, dlaczego model podjął decyzję, opisują one, co należałoby zmienić, aby tę decyzję odwrócić, co czyni je szczególnie cennymi w zastosowaniach o wysokiej stawce, takich jak ocena zdolności kredytowej, diagnoza medyczna i decyzje dotyczące zatrudnienia w ramach ram prawnych, takich jak RODO UE.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Wachter, S., Mittelstadt, B., & Russell, C. (2017). Counterfactual explanations without opening the black box: Automated decisions and the GDPR. Harvard Journal of Law & Technology, 31, 841–887. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/pl/machine-learning/counterfactual-explanations
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.
- LIME: Lokalnie Wyjaśnialne Modelowo-Agnostyczne WyjaśnieniaUczenie maszynowe↔ compare
- Regresja logistycznaStatystyka w badaniach↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →