Публикации по теме 'model-interpretability'


Интерпретируемость модели масштабируемого машинного обучения с использованием Spark
Интерпретируемость модели в машинном обучении относится к способности понимать и объяснять, как модель машинного обучения делает свои прогнозы. Это важный аспект машинного обучения, поскольку он позволяет нам понять, как модель использует входные данные для своих прогнозов, и помогает нам выявить любые отклонения или ограничения в модели. Интерпретируемость особенно важна, когда речь идет о моделях машинного обучения, используемых для принятия решений, влияющих на жизнь людей,..
О невозможности объяснить ИИ
Интерпретируемость модели О невозможности объяснения ИИ …и его последствия. Вы находитесь в кабинете какого-то врача и ждете, когда он объяснит, какой курс лечения они собираются порекомендовать для решения вашей проблемы. Это не угрожающая жизни проблема, но она оказала серьезное влияние на вашу жизнь. Это вызвало у вас беспокойство, бессонные ночи, повлияло на ваши отношения. Со смесью надежды и опасения вы ждете, когда врач скажет вам, что они планируют сделать, чтобы это..
Три метода объяснения модели, которые должен знать каждый специалист по данным
Важность перестановок и частичная зависимость определяют новую версию поддержки scikit-learn 0.22 (праздник🎉!) И SHAP в качестве бонуса. 3 декабря 2019 года была выпущена новая версия scikit-learn версии 0.22, которая поставляется с множеством замечательных функций, которые нельзя пропустить, поскольку в их Основные моменты выпуска для scikit-learn 0.22 дается краткое описание : Новые API для построения графиков: _2 _, _ 3_ , plot_precision_recall_curve и..
(Контр) факт  — «Извлечение практических идей из моделей машинного обучения».
(Контр)факт — извлечение практических идей из моделей машинного обучения Если вы работали в ИТ-индустрии или в любой другой отрасли, использующей ИТ-услуги, вы, несомненно, были вовлечены в движение ИИ. Эта «новая» технологическая волна, которая берет свое начало в теориях, открытых много лет назад, в последние годы достигла вычислительной мощности, необходимой для ее использования, и можно с уверенностью сказать, что бизнес, основанный на технологиях, никогда не будет прежним. ИИ..
Интерпретируемое машинное обучение VS Интерпретируемость машинного обучения
Прозрачные модели машинного обучения VS апостериорные методы объяснимости для моделей машинного обучения «черный ящик» Двойственность интерпретируемого машинного обучения и интерпретируемости машинного обучения можно соотнести с прозрачной моделью и апостериорной объяснимостью. При изложении прозрачная модель связана с проблемой разработки прозрачной модели машинного обучения, тогда как апостериорная объяснимость связана с проблемой объяснения моделей машинного обучения «черный ящик» с..
Завоюйте доверие к своей модели и генерируйте объяснения с помощью LIME и SHAP
Интерпретируемость модели Завоюйте доверие к своей модели и генерируйте объяснения с помощью LIME и SHAP Использование машинного обучения для автоматизации процессов широко применяется во многих организациях по всему миру. Как часть команды Data Science Factory в Dell, мы работаем с различными бизнес-подразделениями над созданием инновационных решений на основе данных для оптимизации существующих процессов. В одном из наших заданий с отделом ценообразования мы сосредоточились на..
Распаковка моделей «черный ящик»
Объяснимый ИИ (XAI) Распаковка моделей «черный ящик» Методы интерпретации моделей для объяснения моделей «черного ящика» Серия: Интерпретируемое машинное обучение Эта статья основана на реализации различных методов, не зависящих от модели, описанных Кристофером Молнаром в его книге "Интерпретируемое машинное обучение" . Если вы хотите углубиться в изучение, вы можете найти электронную книгу по адресу: https://christophm.github.io/interpretable-ml-book/index.html..