机构名称：
¥ 3.0
lundberg＆Lee（2017）提出了一种统一的方法，以应用局部解释性（单个样本中单个变量的可变分配）和全局解释性（整个模型的可变概述），通过应用Shapley（1953）提出的游戏理论的收益原理的公平分布，通过应用收益原理的公平分布。现在称为Shap（Shapley添加说明），该建议的框架解释了ML模型的预测，其中输入变量代替了玩家，并且使用Shapley值来衡量它们对特定预测的贡献。连续地，Redell（2019）提出了一个度量标准，该指标将Shapley值的添加特性与Gelman（2018）的R平方（R2）的鲁棒性相结合，以产生一个方差分解，以准确地将每个变量对模型的探索功率的贡献进行贡献。我们还使用签名的R2，以表示与线性SEM一致的连接的调节，因为DAG中的边缘表示节点调节（如果阳性；如果抑制，如果为阴性）。使用符号（beta）（即，来自输入节点上的输出节点的线性模型（LM）拟合的系数估计值）的符号已被重新覆盖。此外，为了确定节点调节相对于DAG的局部意义，可以通过将其输入节点的ShapleyR2求和来计算每个结果节点的R-squared值的塑形分解（r = 1，...，...，r）。因此，该函数使用进度条来检查每个观察值的内核形状评估的进度。最后，应该注意的是，计算内核形状值所需的操作本质上是耗时的，计算时间与预测变量数量和观测值的数量成正比。
semdeep：具有深神网络和机器学习的结构方程建模
主要关键词
相关文件推荐
