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...
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Buchkapitel |
| Sprache: | Englisch |
| Schlagworte: | |
| Tags: |
Keine Tags, Fügen Sie das erste Tag hinzu!
|
Ähnliche Einträge: 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