SHAP (SHapley Additive exPlanations)
SHAP เป็นวิธีการอธิบายโมเดล ซึ่ง Scott Lundberg และ Su-In Lee นำเสนอในปี 2017 โดยใช้วิธี Shapley values จากทฤษฎีเกมสหกรณ์ เพื่อวัดว่าแต่ละฟีเจอร์มีส่วนช่วยในการทำนายผลแต่ละรายการมากน้อยเพียงใด ทำให้ผลลัพธ์ของโมเดลการเรียนรู้ของเครื่องแบบกล่องดำ (black-box) สามารถตีความได้ SHAP รองรับทั้งการอธิบายผลในภาพรวม (global explanations) และการอธิบายผลเฉพาะกรณี (local explanations) ว่าเหตุใดการทำนายผลเฉพาะรายการจึงออกมาเช่นนั้น
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/th/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.
- ต้นไม้ตัดสินใจการเรียนรู้ของเครื่อง↔ compare
- แบบจำลองส่วนผสมแบบเกาส์เซียนการเรียนรู้ของเครื่อง↔ compare
- การถดถอยโลจิสติกสถิติการวิจัย↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare