Контрфактические объяснения
Контрфактические объяснения, введенные Вахтером, Миттельштадтом и Расселом в 2017 году, отвечают на вопрос: «Каково минимальное изменение входных данных, которое привело бы к другому выходному результату модели?» Вместо того чтобы объяснять, почему модель приняла решение, они описывают, что должно измениться, чтобы это решение было отменено, что делает их особенно ценными для приложений с высокими ставками, таких как кредитный скоринг, медицинская диагностика и решения о найме в рамках таких нормативных актов, как Общий регламент ЕС по защите данных (GDPR).
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/ru/machine-learning/counterfactual-explanations
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- LIME: Локально-интерпретируемые модельно-агностические объясненияМашинное обучение↔ сравнить
- Логистическая регрессияСтатистика исследований↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →