Porovnanie klasickej analýzy významnosti premenných a interpretácie pomocou SHAP pri modeli XGboost
Interpretovateľnosť modelov strojového učenia zohráva kľúčovú úlohu kde je potrebné porozumieť rozhodovaciemu procesu modelu. Tradičné metódy hodnotenia významnosti premenných, ako napríklad Gain alebo Weight používané v rámci modelov typu Gradient Boosted Trees, poskytujú globálny prehľad o dôležit...
Uložené v:
| Hlavný autor: | |
|---|---|
| Médium: | Kapitola |
| Jazyk: | Slovak |
| Predmet: | |
| Tagy: |
Žiadne tagy, Buďte prvý, kto otaguje tento záznam!
|
Podobné jednotky: Porovnanie klasickej analýzy významnosti premenných a interpretácie pomocou SHAP pri modeli XGboost
- Globálne hodnotenie významnosti premenných v modeli XGBoost
- Model Transparency: Integrating XGBoost with SHAP for Explainable Machine Learning
- Fuzzy logika v predspracovaní údajov a jej vplyv na výkonnosť modelu strojového učenia XGBOOST
- Vysvetliteľná klasifikácia kategórií malvéru
- Regresia pomocou metódy podporných vektorov: Nástroj pre presné a robustné predikcie
- Interpretabilita regresného modelu strojového učenia pomocou SHAP hodnôt