Обзор Узнайте, как использовать значения Шепли в теории игр для интерпретации машинного обучения Интерпретация моделей машинного обучения черного ящика - это уникальный и иной подход. Вступление Давайте вернемся в 2007 год, когда был организован первый в истории чемпионат мира по крикету Т20. Мир твердил об этом, но ассоциации крикета смотрели на это с осторожностью - рекламные паузы были сокращены с 99 секунд до 39 секунд. Ой! Это небольшое сокращение дохода. Но это решение..

Поиск и объяснение изменений Модели машинного обучения (ML), развернутые в производственной среде, обычно сочетаются с системами для отслеживания возможного дрейфа набора данных. Системы MLOps предназначены для запуска предупреждений при обнаружении дрейфа, но для того, чтобы принять решение о стратегии, которой мы будем следовать дальше, нам также необходимо понимать, что на самом деле меняется в наших данных и с какими отклонениями сталкивается модель. В этом сообщении описывается, как..

Интерпретируемость модели Интерпретируемость модели - ваша модель признает: ценности Шепли В предыдущем посте я писал о том, почему проверка справедливости модели является такой важной задачей. Я начинаю здесь серию постов, в которых я поделюсь с вами некоторыми способами, которыми вы можете достичь разных уровней интерпретируемости вашей модели и заставить ее признаться. Сегодня я познакомлю вас с темой и нашим первым методом: ценностями Шепли. Вступление: Миллер, Тим. 2017..