SHAP (SHapley Additive exPlanations)
SHAP je metóda na vysvetľovanie modelov, predstavená Scottom Lundbergom a Su-In Lee v roku 2017, ktorá využíva Shapleyho hodnoty z teórie kooperatívnych hier na meranie toho, ako každá vlastnosť prispieva k individuálnej predikcii, čím sa výstup modelov strojového učenia typu „čierna skrinka“ stáva interpretovateľným. Podporuje globálne vysvetlenia (celková dôležitosť vlastností) aj lokálne vysvetlenia (prečo jedna konkrétna predikcia dopadla tak, ako dopadla).
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/sk/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.
- Rozhodovací stromStrojové učenie↔ compare
- Gaussovský mixture modelStrojové učenie↔ compare
- Logistická regresiaŠtatistika vo výskume↔ compare
- Náhodný lesStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →