Model Transparency: Integrating XGBoost with SHAP for Explainable Machine Learning
Článok skúma integráciu algoritmu XGBoost s hodnotami SHAP s cieľom vyvážiť predikčný výkon a interpretovateľnosť modelu. XGBoost je všeobecne uznávaný pre svoju vysokú presnosť a účinnosť, no jeho súborová štruktúra sťažuje interpretáciu interného rozhodovacieho procesu. SHAP ponúka teoreticky podl...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book Chapter |
| Language: | English |
| Subjects: | |
| Tags: |
No Tags, Be the first to tag this record!
|
Similar Items: Model Transparency: Integrating XGBoost with SHAP for Explainable Machine Learning
- Porovnanie klasickej analýzy významnosti premenných a interpretácie pomocou SHAP pri modeli XGboost
- Globálne hodnotenie významnosti premenných v modeli XGBoost
- Machine learning
- Interpretabilita regresného modelu strojového učenia pomocou SHAP hodnôt
- Machine Learning : An Algorithmic Perspective
- Fuzzy logika v predspracovaní údajov a jej vplyv na výkonnosť modelu strojového učenia XGBOOST