Глоссарий ИИ
Полный словарь искусственного интеллекта
Глобальная важность признаков
Метод интерпретации, который оценивает среднее влияние каждой прогностической переменной на всю модель, позволяя ранжировать признаки по их общему вкладу в прогнозы.
Глобальные значения SHAP
Подход, основанный на теории игр, который количественно определяет средний вклад каждой характеристики в прогнозы модели по всему набору данных, гарантируя математическую согласованность и свойства аддитивности.
График частных зависимостей (PDP)
Визуализация, показывающая среднее предельное влияние одной или двух переменных на прогноз модели, маргинализируя влияние других переменных для выявления глобальных взаимосвязей.
Накопленные локальные эффекты (ALE)
Метод интерпретации, который вычисляет среднее влияние признаков на локальные прогнозы, избегая смещений корреляции, присутствующих в PDP, и предоставляя более надежные оценки глобальных эффектов.
Глобальные суррогатные модели
Интерпретируемые модели (такие как деревья решений или линейная регрессия), обученные для имитации глобального поведения сложной черной модели, предлагающие упрощенное, но понятное приближение.
Важность признаков через перестановку
Агностический метод, который оценивает важность переменных путем измерения ухудшения производительности модели при случайной перестановке значений признака, раскрывая их общий вклад.
Агностические методы модели
Подходы интерпретации, которые работают с любым типом модели машинного обучения без необходимости доступа к внутренней структуре, основываясь исключительно на входах-выходах для анализа глобального поведения.
Глобальные эффекты признаков
Полный анализ влияния каждой переменной на прогнозы модели во всем пространстве данных, объединяющий направление, величину и форму эффекта для целостного понимания.
ICE кривые (Индивидуальное Условное Математическое Ожидание)
Визуализация, которая отображает индивидуальные предсказания модели для различных значений признака, позволяя наблюдать гетерогенность эффектов и агрегировать эту информацию для глобального понимания.
H-статистика Фридмана
Количественная мера, которая оценивает силу взаимодействий между переменными в моделях машинного обучения, позволяя идентифицировать нелинейные зависимости, которые глобально влияют на предсказания.
Глобальная визуализация модели
Совокупность графических и визуальных техник, позволяющих синтетически представить глобальное поведение модели, включая отношения между признаками, паттерны принятия решений и зоны уверенности.
Глобальный вклад признаков
Количественная оценка среднего вклада каждой характеристики в разницу между предсказаниями модели и базовым уровнем, раскрывающая глобальное влияние переменных на решения.
Глобальная интерпретация для конкретной модели
Методы интерпретации, разработанные специально для определенных типов моделей (таких как веса в нейронных сетях или правила в деревьях решений) для объяснения их глобального поведения.
Глобальный анализ чувствительности
Систематическое исследование вариации выходов модели в зависимости от вариации ее входов на всей области определения, идентифицирующее наиболее влияющие факторы на глобальное поведение.
Глобальное извлечение правил
Процесс, который генерирует набор интерпретируемых правил, захватывающих глобальное поведение сложной модели, преобразуя автоматические предсказания в явные и обобщаемые знания.