SHAP (SHapley Additive exPlanations)
SHAP är en metod för modellförklaring, introducerad av Scott Lundberg och Su-In Lee 2017, som använder Shapley-värden från kooperativ spelteori för att mäta hur mycket varje egenskap bidrar till en individuell prediktion, vilket gör resultatet av "svarta lådan"-maskininlärningsmodeller tolkningsbart. Den stöder både globala förklaringar (övergripande egenskapsvikt) och lokala förklaringar (varför en specifik prediktion utföll som den gjorde).
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
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/sv/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.
- BeslutsträdMaskininlärning↔ compare
- Gaussisk blandningsmodellMaskininlärning↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →