SHAP (SHapley Additive exPlanations)
SHAP to metoda wyjaśniania modeli, wprowadzona przez Scotta Lundberga i Su-In Lee w 2017 roku, która wykorzystuje wartości Shapleya z teorii gier kooperacyjnych do pomiaru wkładu każdej cechy w indywidualne przewidywanie, czyniąc wyjście modeli uczenia maszynowego typu „czarna skrzynka” interpretowalnym. Obsługuje ona zarówno wyjaśnienia globalne (ogólne znaczenie cech), jak i lokalne (dlaczego jedno konkretne przewidywanie dało taki, a nie inny wynik).
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
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/pl/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.
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Model Gaussa (Gaussian Mixture Model)Uczenie maszynowe↔ compare
- Regresja logistycznaStatystyka w badaniach↔ compare
- Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →