Objašnjivi XGBoost
Objašnjivi XGBoost (Explainable XGBoost) kombinuje visoku prediktivnu tačnost XGBoost modela zasnovanog na pojačanim stablima odluke (gradient-boosted trees) sa SHAP (SHapley Additive exPlanations) vrednostima kako bi svako predviđanje učinio potpuno revizibilnim. Rezultat je model koji se po performansama na tabelarnim podacima podudara ili nadmašuje neuralne mreže, nudeći istovremeno teorijski utemeljene atributacije značajki po predviđanju koje zadovoljavaju zahteve naučne transparentnosti i regulatorne zahteve.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable XGBoost (XGBoost with SHAP-based Interpretability). ScholarGate. https://scholargate.app/sr/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.
- Objašnjivo gradijentno pojačavanjeMašinsko učenje↔ compare
- Објашњиви ЛајтГБМMašinsko učenje↔ compare
- Објашнјиви случајни шумMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →