SHAP (SHapley Additive exPlanations)
SHAP este o metodă de explicare a modelelor, introdusă de Scott Lundberg și Su-In Lee în 2017, care utilizează valorile Shapley din teoria jocurilor cooperative pentru a măsura contribuția fiecărei caracteristici la o predicție individuală, făcând astfel interpretabil rezultatul modelelor de învățare automată de tip „cutie neagră”. Aceasta suportă atât explicații globale (importanța generală a caracteristicilor), cât și explicații locale (de ce o predicție specifică a rezultat așa cum a făcut-o).
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/ro/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.
- Arbore de decizieÎnvățare automată↔ compare
- Model de amestec gaussianÎnvățare automată↔ compare
- Regresia LogisticăStatistică pentru cercetare↔ compare
- Pădurea Aleatoare (Random Forest)Învățare automată↔ compare
- XGBoostÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →