Kontrafaktiska förklaringar
Kontrafaktiska förklaringar, introducerade av Wachter, Mittelstadt och Russell 2017, besvarar frågan: 'Vilken är den minsta förändringen av indata som skulle ha gett ett annat modellutfall?' Istället för att förklara varför en modell fattade ett beslut, beskriver de vad som skulle behöva ändras för att beslutet skulle omvändas, vilket gör dem särskilt värdefulla för höggradigt riskfyllda tillämpningar såsom kreditbedömning, medicinsk diagnostik och anställningsbeslut inom ramverk som EU:s GDPR.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/sv/machine-learning/counterfactual-explanations
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.
- LIME: Local Interpretable Model-agnostic ExplanationsMaskininlärning↔ compare
- Logistisk regressionForskningsstatistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →