Публикации по теме 'shapley-values'


Анализ взаимодействия с SHAP
Использование пакета SHAP Python для идентификации и визуализации взаимодействий в ваших данных Значения SHAP используются для объяснения отдельных прогнозов, сделанных моделью. Это делается путем предоставления вклада каждого фактора в окончательный прогноз. Значения взаимодействия SHAP распространяются на это, разбивая вклады на их основные эффекты и эффекты взаимодействия. Мы можем использовать их для выделения и визуализации взаимодействий в данных. Это также может быть полезным..
Введение в значения SHAP и их применение в машинном обучении
Узнайте, как библиотека SHAP работает внутри SHAP — это математический метод для объяснения прогнозов моделей машинного обучения. Он основан на концепциях теории игр и может использоваться для объяснения прогнозов любой модели машинного обучения путем расчета вклада каждой функции в прогноз. SHAP может определить наиболее важные особенности и их влияние на предсказание модели. SHAP — это математическая тема, и ее нельзя полностью понять, не объяснив стоящую за ней математику. Тем не..
Открывая черный ящик: понимание моделей машинного обучения с помощью значений SHAP
SHAP (Shapley Additive exPlanations) — популярный метод объяснения результатов моделей машинного обучения. Он был представлен в 2017 году Лундбергом и Ли и с тех пор стал широко используемым инструментом для понимания прогнозов, сделанных сложными моделями. Значения SHAP, генерируемые методом SHAP, дают представление о том, как каждая функция в модели влияет на ее прогнозы.
Введение в ценности Шепли II: глубокое погружение в бизнес-приложения
Добро пожаловать в мой второй пост об одном из самых крутых решений кооперативных задач, которые я видел за последнее время. По правде говоря, я не проверяю их так много, как можно было бы ожидать от парня с блогом, но даже в этом случае никто не может лишить их крутости. Если вы понятия не имеете, о чем был первый пост по теме, я подробно объяснил, что такое значения Шепли и как они рассчитываются с их формулой и примером. Здесь я дам вам небольшое трехстрочное определение и вместо..
Новый взгляд на ценности Шепли: радикальный метод Шепли
Новый взгляд на ценности Шепли: наивный метод Шепли Узнайте больше о SHAP, исследуя концептуальную альтернативу. ** EDIT, январь 2020 г .: Я переименовал представленный здесь метод в Naive Shapley из менее интуитивно понятного Radical Shapley . Это было изменено на протяжении всего сообщения, но фрагменты кода и репозиторий git могут по-прежнему отражать старое имя. ** Зачем вам читать этот пост? Чтобы получить представление о ценностях Шепли и инструменте SHAP ...
Используйте SHAPELY и CATBOOST для отладки вашей модели.
Catboost — метод бустинга, принимающий данные с категориальными признаками и текстом; для табличных данных очень эффективен; Однако иногда, используя промышленный набор данных, мы можем столкнуться с проблемой переобучения, и вам захочется выполнить отладку, используя важность функции или лучшее формированное значение. Построить модель Просто импортируйте import catboost import pandas as pd import numpy as np import os Откройте набор данных Мы используем набор данных Womens..
Shapely Values ​​и кадры данных Pandas
Лучше интерпретируйте и объясните свои прогнозы машинного обучения с помощью этого трюка Объяснение и интерпретация результатов моделей машинного обучения имеет решающее значение для укрепления доверия и принятия более обоснованных решений. Хотя существует несколько методов для объяснения предсказаний моделей, одним из самых популярных является использование значений Шепли. Основанные на теории кооперативных игр, значения Шепли были перепрофилированы учеными, работающими с данными,..