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!
|
| Summary: | 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 podložený rámec založený na Shapleyho hodnotách, ktorý umožňuje globálne aj lokálne vysvetlenia správania modelu. |
|---|