SHAP (SHapley Additive exPlanations)
SHAP là một phương pháp giải thích mô hình, được giới thiệu bởi Scott Lundberg và Su-In Lee vào năm 2017, sử dụng các giá trị Shapley từ lý thuyết trò chơi hợp tác để đo lường mức độ đóng góp của mỗi đặc trưng vào một dự đoán cá nhân, làm cho đầu ra của các mô hình học máy hộp đen trở nên dễ hiểu. Nó hỗ trợ cả giải thích toàn cục (tầm quan trọng của đặc trưng tổng thể) và giải thích cục bộ (lý do tại sao một dự đoán cụ thể lại cho kết quả như vậy).
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Lundberg, S.M. & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4766–4777. link ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 1). SHAP (SHapley Additive exPlanations). ScholarGate. https://scholargate.app/vi/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.
- Cây Quyết địnhHọc máy↔ compare
- Mô hình Hỗn hợp GaussianHọc máy↔ compare
- Hồi quy LogisticThống kê nghiên cứu↔ compare
- Rừng ngẫu nhiênHọc máy↔ compare
- XGBoostHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →