Yorumlanabilir Makine Öğrenmesi
  • Yorumlanabilir Yapay Öğrenme
  • Bölüm 1 - Yazarın Önsözü
  • Bölüm 1.1 Çevirmenin Önsözü
  • Bölüm 2 - Giriş
    • 2.1 Hikaye Zamanı
    • 2.2 Makine Öğrenmesi Nedir?
    • 2.3 Terminoloji
  • 3. Yorumlanabilirlik
    • 3.1 Yorumlanabilirliğin Önemi
    • 3.2 Yorumlanabilirlik Yöntemlerinin Sınıflandırılması
    • 3.3 Yorumlanabilirliğin Kapsamı
    • 3.4 Yorumlanabilirliğin Değerlendirilmesi
    • 3.5 Açıklamaların Özellikleri
    • 3.6 İnsan Dostu Açıklamalar
  • 4 Veri Setleri
    • 4.1 Bisiklet Kiralama (Bike Rentals)- Regresyon
    • 4.2 Youtube Spam Yorumları (Metin Sınıflandırma)
    • 4.3 Rahim Ağzı Kanseri Risk Faktörleri (Sınıflandırma)
  • 5. Yorumlanabilir Modeller
    • 5.1 Doğrusal Regresyon (Linear Regression)
    • 5.2 Lojistik Regresyon (Logistic Regression)
    • 5.3 GLM, GAM ve Fazlası
    • 5.4 Karar Ağaçları (Decision Tre)
    • 5.5 Karar Kuralları (Decision Rules)
    • 5.6 RuleFit
    • 5.7 Diğer Yorumlanabilir Modeller
  • 6. Model Agnostik Metotlar (Model-Agnostic Methods)
  • 7. Örnek Tabanlı Açıklamalar (Example-Based Explanations)
  • 8.Küresel Model Agnostik Metotlar (Global Model-Agnostic Methods)
    • 8.1 Kısmi Bağımlılık Grafiği - Partial Dependency Plot
    • 8.2. Biriktirilmiş Yerel Etki (Accumulated Local Effects-ALE) Grafikleri
    • 8.3 Öznitelik Etkileşimi (Feature Interaction)
    • 8.4 Fonksiyonel Ayrıştırma (Functional Decomposition)
    • 8.5 Permütasyon Öznitelik Önemi (Permutation Feature Importance)
    • 8.6 Küresel Vekil Modeli (Global Surrogate)
    • 8.7 Prototipler ve Eleştiriler (Prototypes and Criticisms)
  • 9. Yerel Modelden Bağımsız Yöntemler (Local Model-Agnostic Methods)
    • 9.1 Bireysel Koşullu Beklenti (Individual Conditional Expectation)
    • 9.2 Yerel Vekil (Local Surrogate) (LIME)
    • 9.3 Karşıt Gerçekçi Açıklamalar (Counterfactual Explanations)
    • 9.4 Kapsamlı Kurallar (Scoped Rules (Anchors))
    • 9.5 Shapley Değerleri (Shapley Values)
    • 9.6 SHAP (SHapley Additive exPlanations)
  • 10. Sinir Ağları Yorumlaması
    • 10.1 Öğrenilmiş Özellikler (Learned Features)
    • 10.2 Piksel İlişkilendirmesi (Pixel Attribution)
    • 10.3 Kavramları Belirleme (Detecting Concepts)
    • 10.4 Kötü Amaçlı Örnekler (Adversarial Examples)
    • 10.5 Etkili Örnekler (Influential Instances)
  • 11. Kristal Küreye Bir Bakış
    • 11.1 Makine Öğrenmesinin Geleceği
      • 11.2 Yorumlanabilirliğin Geleceği
  • 12. Teşekkürler
  • Referanslar
  • Kullanılan R paketleri
Powered by GitBook
On this page

9. Yerel Modelden Bağımsız Yöntemler (Local Model-Agnostic Methods)

Previous8.7 Prototipler ve Eleştiriler (Prototypes and Criticisms)Next9.1 Bireysel Koşullu Beklenti (Individual Conditional Expectation)

Last updated 3 months ago

Yerel yorumlama yöntemleri, bireysel tahminleri açıklar. Bu bölümde aşağıdaki yerel açıklama yöntemlerini öğreneceksiniz:

  • Partial Dependence Plot'ların yapı taşlarıdır ve bir özelliğin değiştirilmesinin tahmini nasıl değiştirdiğini açıklar.

  • Karmaşık modeli yerel olarak yorumlanabilir bir vekil modelle değiştirerek tahmini açıklar.

  • : Bir tahmini "yerinde kilitleyen" anlamında, tahmini açıklayan özellik değerlerini tanımlar.

  • İstenen bir tahmine ulaşmak için hangi özelliklerin değiştirilmesi gerektiğini inceleyerek bir tahmini açıklar.

  • Tahmini adil bir şekilde bireysel özelliklere atan bir yöntemdir.

  • Shapley değerleri için başka bir hesaplama yöntemidir, aynı zamanda veri genelindeki Shapley değerlerinin kombinasyonlarına dayalı küresel yorumlama yöntemleri önerir.

LIME ve Shapley değerleri, tahminin bireysel özelliklerin etkilerinin toplamı olarak açıklandığı atıf yöntemleridir. Karşıt açıklamalar gibi diğer yöntemler ise örnek tabanlıdır.

Individual Conditional Expectation (ICE) eğrileri:
Yerel vekil modeller (LIME):
Scoped kurallar (anchors)
Karşıt açıklamalar (Counterfactual explanations):
Shapley değerleri:
SHAP: