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...

Ausführliche Beschreibung

Gespeichert in:
1. Verfasser: Bednařík, Andrej, 1998-
Format: Buchkapitel
Sprache:Englisch
Schlagworte:
informatika
algoritmy
učenie strojové
modely
spracovanie dát
Tags: Tag hinzufügen
Keine Tags, Fügen Sie das erste Tag hinzu!

MARC

LEADER 00000naa$a2200000$$$4500
001 0315411
005 20260317131214.7
041 0 |a eng 
044 |a HU 
245 1 0 |a Model Transparency: Integrating XGBoost with SHAP for Explainable Machine Learning  |c Andrej Bednařík 
520 |a 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. 
610 2 0 |a informatika 
610 2 0 |a algoritmy 
610 2 0 |a učenie strojové 
610 2 0 |a modely 
610 2 0 |a spracovanie dát 
100 1 |a Bednařík, Andrej, 1998- 

Ähnliche Einträge