SHAP (SHapley Additive exPlanations)
SHAP — це метод пояснення моделей, представлений Скоттом Лундбергом та Су-Ін Лі у 2017 році, який використовує значення Шеплі з теорії кооперативних ігор для вимірювання внеску кожної ознаки в індивідуальний прогноз, роблячи вихідні дані моделей машинного навчання типу «чорна скринька» інтерпретованими. Він підтримує як глобальні пояснення (загальна важливість ознак), так і локальні пояснення (чому один конкретний прогноз вийшов таким, яким він є).
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
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/uk/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.
- Дерево рішеньМашинне навчання↔ compare
- Гаусова сумішева модельМашинне навчання↔ compare
- Логістична регресіяСтатистика досліджень↔ compare
- Випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →