Объяснимый XGBoost
Объяснимый XGBoost сочетает высокую предсказательную точность градиентного бустинга XGBoost на основе деревьев решений с значениями SHAP (SHapley Additive exPlanations) для обеспечения полной проверяемости каждого предсказания. В результате получается модель, которая не уступает нейронным сетям на табличных данных, предлагая при этом теоретически обоснованные атрибуции признаков для каждого предсказания, удовлетворяющие как научную прозрачность, так и нормативные требования.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2(1), 56–67. DOI: 10.1038/s42256-019-0138-9 ↗
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable XGBoost (XGBoost with SHAP-based Interpretability). ScholarGate. https://scholargate.app/ru/machine-learning/explainable-xgboost
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.
- Объяснимый градиентный бустингМашинное обучение↔ compare
- Объяснимый LightGBMМашинное обучение↔ compare
- Объяснимый случайный лесМашинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →