Yöntem kanıt kaydı

SHAP

SHAP is a model-explanation method, introduced by Scott Lundberg and Su-In Lee in 2017, that uses Shapley values from cooperative game theory to measure how much each feature contributes to an individual prediction, making the output of black-box machine-learning models interpretable. It supports both global explanations (overall feature importance) and local explanations (why one specific prediction came out the way it did).

Sources recorded, not reviewed

Kaynak kayıt

Alıntılar, yöntemin kaynak kaydından harfi harfine kopyalanmıştır. Bunlardan herhangi bir düzeyde doğrulama çıkarımı yapılmamıştır.

SHAP (SHapley Additive exPlanations)

Taksonomik yöntem kaydı · ml-model / machine-learning

Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. · URL

Tam yöntemi aç

Derlenmiş iddialar

Her biri kendi değerlendirmesiyle birlikte kanıt defterine kaydedilmiş iddialar.

Henüz derlenmiş iddia yok

Bu görünüm, defterde hiç iddia olmadığında bir iddia değerlendirmesi icat etmez.

İlgili yöntemler

Yöntem grafiğinden oluşturulmuştur ve makine tarafından önerilen ilişkiler olarak gösterilir — herhangi bir kanıt iddiası çıkarımı yapılmamıştır.

Same method familyDecision Treemachine-suggested · Relational suggestion, not evidence.Same method familyGaussian Mixture Modelmachine-suggested · Relational suggestion, not evidence.See alsoLogistic Regressionmachine-suggested · Relational suggestion, not evidence.Same method familyRandom Forestmachine-suggested · Relational suggestion, not evidence.Same method familyXGBoostmachine-suggested · Relational suggestion, not evidence.