Укрепите доверие к машинному обучению с помощью XAI, Guide to SHAP & SHapley Values С появлением ИИ, который становится все более продвинутым и становится важной частью нашей жизни, опасность возникает, когда мы не понимаем эффектов и побочных эффектов ИИ. Важно понимать, как различать факты и фантазии в процессе принятия решений ИИ, сохраняя при этом эффективность ИИ и обеспечивая максимальную прозрачность результатов. Всего этого можно достичь с помощью объяснимого ИИ (XAI). Что..

Для многих специалистов по машинному обучению типичный рабочий процесс выглядит следующим образом. На самом деле это лишь малая часть разработки надежного решения для машинного обучения. Просто получить хорошую оценку производительности никогда не бывает достаточно! Особенно в таких областях, как финансы или здравоохранение, важно объяснять прогнозы моделей машинного обучения. Допустим, вы разрабатываете глубокую нейронную сеть для обнаружения меланомы, которая является..

Читать часть 1 здесь ! Для объяснения моделей машинного обучения существует множество методов. Наиболее часто используются GradCam, SHAP, Lime, интегрированные градиенты и т. д. В этой статье мы сосредоточимся только на SHAP. кооперативной теории игр и используется для повышения прозрачности и интерпретируемости моделей машинного обучения. Значения SHAP представляют ответственность функции за изменение выходных данных модели. Мы можем понять, как отдельная функция влияет на..

Машинное обучение Интеграция Comet со значениями Shap Учебное пособие о том, как построить эксперимент в Comet с графиками Shap Values Иногда при построении модели машинного обучения полученные результаты отличаются от ожидаемых, несмотря на то, что были приняты все необходимые меры предосторожности (выбор функций, оптимизация модели и т. д.). В этих случаях вы переходите к этапу устранения неполадок , где, помимо поиска ошибок в коде, вы можете прибегнуть к так называемому..

Новый взгляд на ценности Шепли: введение в Шепли и SHAP Краткое введение в значения Shapley и библиотеку Python SHAP О чем этот пост? Этот пост является первым из серии из двух (на данный момент) постов об объяснении статистических моделей с помощью значений Шепли. Я могу придумать две основные причины, по которым вы могли бы захотеть его прочитать (помимо, знаете ли, для развлечения): Чтобы узнать о значениях Шепли и библиотеке Python SHAP . В конце концов, это то, о чем этот..