小游戏运行如何与企业数字化转型息息相关
1170
2022-11-18
利用Shap值进行异常值检测
目录
SHAP的简介
SHAP是如何评价树模型中的特征对于结果的贡献度?
利用Shap值进行异常值检测
SHAP的简介
SHAP,沙普利值,SHapley Additive exPlanations,沙普利添加和解释,是一种博弈论方法,是博弈论大师Lloyd S. Shapley(劳埃德·沙普利)提出来的一种针对合作博弈的解决方案。它被用于解释任何机器学习模型的输出。 它使用博弈论中的经典 Shapley 值及其相关扩展将最优信用分配与局部解释联系起来。
SHAP方法,现在经常用来解释大多数机器学习模型的输出。几乎可以给所有机器学习、深度学习提供一个解释的方案,包括树模型、线性模型以及神经网络模型。
官方文档:Welcome to the SHAP documentation — SHAP latest documentation
github:GitHub - slundberg/shap: A game theoretic approach to explain the output of any machine learning model.
SHAP是如何评价树模型中的特征对于结果的贡献度?
从博弈论的角度,把数据集中的每一个特征变量当成一个玩家,用该数据集去训练模型得到预测的结果,可以看成众多玩家合作完成一个项目的收益。Shapley value通过考虑各个玩家做出的贡献,来公平的分配合作的收益。
利用Shap值进行异常值检测
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。
发表评论
暂时没有评论,来抢沙发吧~