Açıklanabilir Rastgele Orman
Explainable Random Forest (Interpretable Ensemble with Feature Attribution) · Ayrıca şöyle bilinir: XRF, interpretable random forest, transparent random forest, random forest with explainability
Açıklanabilir Rastgele Orman (XRF), Breiman'ın Rastgele Orman topluluğunun tahmin gücünü, model kararlarını şeffaf ve denetlenebilir kılmak için sistematik sonradan atama yöntemleriyle — başta SHAP değerleri ve ortalama-safsızlık-azalması önemi — birleştirir. Hem yüksek doğruluk hem de insan tarafından yorumlanabilir özellik katkıları sunarak düzenleyicilerin, alan uzmanlarının ve akademik hakemlerin taleplerini karşılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
Hem güçlü tahmin performansı hem de tablo verileri üzerinde yorumlanabilir çıktılar gerektiğinde Açıklanabilir Rastgele Orman'ı kullanın — örneğin, hakemlerin özellik düzeyinde gerekçelendirme gerektirdiği klinik risk puanlaması, kredi değerlendirmesi veya sosyal bilim araştırmalarında. Özellikle düzenleyici veya etik standartlar model şeffaflığını gerektirdiğinde uygundur. Örneklem boyutlarının çok küçük olduğu (yaklaşık 50'nin altındaki n), hem topluluğun hem de SHAP tahminlerinin güvenilmez hale geldiği yerlerde; açık katsayılara sahip tek bir doğrusal modelin yeterli olduğu yerlerde; veya izleyicilerin karmaşık bir topluluğun sonradan açıklanması yerine elle hesaplanabilen tamamen beyaz kutu bir model gerektirdiği yerlerde bundan kaçının.
Güçlü yönler & sınırlılıklar
- Rastgele Orman'ın yüksek tahmin doğruluğunu, SHAP aracılığıyla titiz, teoriye dayalı özellik atamasıyla birleştirir.
- Hem küresel (veri kümesi düzeyinde) hem de yerel (gözlem düzeyinde) açıklamalar sağlar, çeşitli yorumlanabilirlik ihtiyaçlarını karşılar.
- AğaçSHAP, ağaç toplulukları için yaklaşık değerler olmadan verimli bir şekilde kesin Shapley değerleri hesaplar.
- Varsayım hafif: dağılım kısıtlamaları olmadan karışık özellik türlerini, doğrusal olmayan etkileşimleri ve eksik verileri işler.
- Kutu dışı hata dahili doğrulama sağlar ve SHAP tutarlılık kontrolleri açıklama kaymasını tespit etmeye yardımcı olur.
- Kara kutu modellerin düzenleyici incelemeye tabi tutulduğu yüksek riskli alanlarda (sağlık, finans, politika) kabul edilmiştir.
- SHAP değerleri modeli açıklar, mutlaka gerçek veri üreten süreci değil; yüksek SHAP önemi nedensel etki anlamına gelmez.
- AğaçSHAP'ın hesaplama maliyeti, orman boyutu ve özellik sayısıyla artar; geniş veri kümelerindeki çok büyük ormanlar yavaş olabilir.
- MDI önemi, yüksek kardinaliteye sahip özelliklere doğru yanlıdır; özellik türleri büyük ölçüde farklılık gösterdiğinde permütasyon önemi veya SHAP'ı tercih edin.
- Açıklamalar, altında yatan ormanın da kararsız olduğu küçük veri kümelerinde kararsız olabilir.
SSS
Açıklanabilir Rastgele Orman ayrı bir algoritma mı yoksa bir iş akışı mı?
Bu bir iş akışıdır: standart bir Rastgele Orman eğitilir ve ardından onu yorumlamak için sonradan atama yöntemleri (SHAP, MDI, kısmi bağımlılık grafikleri) uygulanır. Orman üzerinde yeniden eğitim veya mimari değişiklik gerekmez.
Açıklanabilirlik eklemek tahminsel doğruluğu azaltır mı?
Hayır. Açıklanabilirlik yöntemleri eğitimden sonra uygulanır ve modelin parametrelerini veya tahminlerini değiştirmez. Açıklanabilir bir Rastgele Orman'ın doğruluğu, altında yatan ormanınkiyle aynıdır.
MDI ve SHAP önemi arasındaki fark nedir?
MDI (Safsızlıkta Ortalama Azalma), bir özellik içeren tüm bölmelerdeki ağırlıklı safsızlık azalmalarını toplayarak eğitim sırasında hesaplanır; hızlıdır ancak yüksek kardinaliteye sahip özelliklere eğilimlidir. SHAP değerleri sonradan hesaplanır, teorik olarak adildir (Shapley aksiyomları) ve bu yanlılıktan kaçınır, ancak ek hesaplama gerektirir.
SHAP değerleri nedensel çıkarım için kullanılabilir mi?
Doğrudan değil. SHAP değerleri, her bir özelliğin sonuç üzerindeki nedensel etkisini değil, modelin tahminine olan katkısını ölçer. İlişkili özelliklerin varlığında, SHAP, nedensel mekanizmalara karşılık gelmeyen şekillerde ilişkili öngörücüler arasında paylaşılan krediyi dağıtır.
Güvenilir SHAP tahminleri için ne kadar örneklem boyutuna ihtiyaç vardır?
Tek bir eşik yoktur, ancak SHAP değerlerinin güvenilirliği, altında yatan ormanın güvenilirliği ile sınırlıdır. Yaklaşık 50'den az gözlemle, hem orman hem de SHAP açıklamaları kararsız hale gelir ve dikkatle yorumlanmalıdır.
Kaynaklar
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable Random Forest (Interpretable Ensemble with Feature Attribution). ScholarGate. https://scholargate.app/tr/machine-learning/explainable-random-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır