可生成数据表类型(推荐)
Zeroclanzhang(讨论 | 贡献) (创建页面,内容为“{{Infobox nodebasic |nodename=SHAP |nodeimage=SHAP.png |icon=SHAP.svg |simpleicon=SHAP_Pure.svg |developer=Dev.Team-DPS |productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用 |productionstatedesc=在V1.0部署 |nodeenglishname=Has english name::SHAP |abbreviation=Has abbreviation::SHAP |funcmaincategory=机器学习 |funcsubcategory=Eva Lv1 Cat::模型评估 |nodecategory=数据挖掘 |nod…”) |
(→参数配置) |
||
(未显示2个用户的8个中间版本) | |||
第7行: | 第7行: | ||
|productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用 | |productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用 | ||
|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8|V1.0]]部署 | |productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8|V1.0]]部署 | ||
|nodeenglishname= | |nodeenglishname=SHAP | ||
|abbreviation= | |abbreviation=SHAP | ||
|funcmaincategory=机器学习 | |funcmaincategory=机器学习 | ||
|funcsubcategory=[[Eva Lv1 Cat::模型评估]] | |funcsubcategory=[[Eva Lv1 Cat::模型评估]] | ||
第28行: | 第28行: | ||
}} | }} | ||
==概述== | |||
SHAP(SHapley Additive exPlanations)是一种用于解释机器学习模型预测的算法和框架。它基于博弈论中的Shapley值概念,并将其应用于解释预测模型中各个特征对最终预测结果的贡献程度。 | |||
=='''节点使用指南'''== | |||
* 最适用的场景:中小数据集,变量不多的模型的可解释性分析。 | |||
===参数配置=== | |||
* 绘图方法选择:可多选双坐标折线图,柱状图,热图,热力散点图,蜂群图。 | |||
===注意事项=== | |||
* 不支持带空值运算,在选择多个预测值和真值时必须一一对应, | |||
* 节点可选出图, | |||
* 导入该节点的数据端口为绘图数据集,导入前注意接口颜色。 | |||
== 参考文献 == | |||
{{reflist}} | |||
{{Navplate AlgorithmNodeList}} | {{Navplate AlgorithmNodeList}} | ||
[[Category:模型评估]] | [[Category:模型评估]] |
2024年1月23日 (二) 14:28的最新版本
节点状态 | / Win10及以上可用
在V1.0部署
|
---|---|
SHAP | |
节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
节点英文名 | SHAP |
功能主类别 | 机器学习 |
英文缩写 | SHAP |
功能亚类别 | 模型评估 |
节点类型 | 数据挖掘 |
开发语言 | R |
节点简介 | |
SHAP(SHapley Additive exPlanations)是一种用于解释机器学习模型预测的算法和框架。它基于博弈论中的Shapley值概念,并将其应用于解释预测模型中各个特征对最终预测结果的贡献程度。 | |
端口数量与逻辑控制(PC) | |
Input-入口 | 2个 |
Output-出口 | 2个 |
Loop-支持循环 | 否 |
If/Switch-支持逻辑判断 | 否 |
输入输出 | |
相关节点 | |
上一节点 | 机器学习基础绘图节点 |
下一节点 | 多模型评估节点 |
概述
SHAP(SHapley Additive exPlanations)是一种用于解释机器学习模型预测的算法和框架。它基于博弈论中的Shapley值概念,并将其应用于解释预测模型中各个特征对最终预测结果的贡献程度。
节点使用指南
- 最适用的场景:中小数据集,变量不多的模型的可解释性分析。
参数配置
- 绘图方法选择:可多选双坐标折线图,柱状图,热图,热力散点图,蜂群图。
注意事项
- 不支持带空值运算,在选择多个预测值和真值时必须一一对应,
- 节点可选出图,
- 导入该节点的数据端口为绘图数据集,导入前注意接口颜色。
参考文献
查找其他类别的节点,请参考以下列表