Контрфактичні пояснення
Контрфактичні пояснення, представлені Вахтером, Міттельштадтом та Расселом у 2017 році, відповідають на запитання: «Яка найменша зміна вхідних даних призвела б до іншого вихідного результату моделі?» Замість того, щоб пояснювати, чому модель прийняла рішення, вони описують, що потрібно було б змінити, щоб це рішення було скасовано, що робить їх особливо цінними для застосувань з високими ставками, таких як кредитна оцінка, медична діагностика та прийняття рішень щодо найму в рамках таких нормативних актів, як Загальний регламент ЄС про захист даних (GDPR).
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/uk/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: Локальні інтерпретовані модельно-агностичні поясненняМашинне навчання↔ compare
- Логістична регресіяСтатистика досліджень↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →