系列文章
[Day 11] Partial Dependence Plot：探索特徵對預測值的影響
Partial Dependence Plot（PDP）是要觀察每一個自變數的變化是如何影響預測表現，它可以快速地分析自變數與目標變數之間的關係。而昨天所提的...
[Day 12] LIME理論：如何用局部線性近似解釋黑箱模型
LIME 的全名是 Local Interpretable Model-agnostic Explanations ，其目的是可以分析模型對於某筆資料為何做出特...
[Day 13] LIME實作：實戰演練LIME解釋方法
今天我們將深入探討 LIME 的實作細節，包括如何選擇解釋性模型和解釋特徵，以及如何選擇鄰域大小來生成解釋數據。 若想了解 LIME 的核心原理可以參考前一篇文...
[Day 14] SHAP理論：解析SHAP解釋方法的核心
Shapley values 簡介 Shapley values 最早是由經濟學家 Lloyd Shapley 所提出，用於評估參與合作博弈的每個玩家對於勝利的...
[Day 15] SHAP實作：實戰演練SHAP解釋方法
昨天已經瞭解了 SHAP 套件背後的核心技術。SHAP 提供多種解釋工具，可應用於不同類型的模型： KernelExplainer（Kernel SHAP）：...
[Day 16] 神經網路的可解釋性：如何理解深度學習中的黑箱模型？
深度神經網路（DNN）以其線性和非線性的複雜轉換而聞名，因為它涵蓋了許多隱藏層。因此即使給定一個訓練有素並能夠良好分類的 DNN，模型內部的推論過程仍然是個未知...
[Day 17] 解析深度神經網路：使用Deep SHAP進行模型解釋
Feature Attribution Feature Attribution(特徵歸因)是機器學習領域中的一個重要概念，它用於解釋模型的預測結果。當我們訓練機...
[Day 18] CNN：卷積深度神經網路的解釋方法
在當今的深度學習領域中，卷積神經網路（CNN）已經成為許多電腦視覺任務的首選模型，例如圖像分類、物體偵測、語意分割、動作偵測等，這些重大突破都歸功於卷積神經網路...
[Day 19] Perturbation-Based：如何用擾動方法解釋神經網路
如果想要了解一張圖片中哪些區域對於 CNN 神經網路的判斷結果具有影響力，可以參考基於擾動的 Perturbation-Based 方法。它有很多不同種的變形，...
[Day 20] Gradient-Based：利用梯度訊息解釋神經網路
在深度學習中梯度訊息扮演著關鍵的角色，尤其在神經網路的訓練過程中。梯度代表了函數相對於參數的變化率，它告訴我們如何調整神經網路的權重和參數，以最小化或最大化一個...