SHAP (SHapley Additive exPlanations)
SHAP je metoda za objašnjavanje modela, koju su 2017. godine predstavili Scott Lundberg i Su-In Lee, a koja koristi Šaplijeve vrednosti iz teorije kooperativnih igara za merenje doprinosa svake značajke (feature) pojedinačnom predviđanju, čineći izlaz crnih kutija (black-box) modela mašinskog učenja interpretativnim. Podržava kako globalna objašnjenja (ukupni značaj značajki), tako i lokalna objašnjenja (zašto je jedno specifično predviđanje ispalo onako kako je ispalo).
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. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/sr/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.
- Дрво одлучивањаMašinsko učenje↔ compare
- Gausov model mešavineMašinsko učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →