Number of the records: 1
Model Transparency: Integrating XGBoost with SHAP for Explainable Machine Learning
Title Model Transparency: Integrating XGBoost with SHAP for Explainable Machine Learning Translation Transparentnosť modelu: integrácia XGBoost so SHAP pre vysvetliteľné strojové učenie Author info Andrej Bednařík Author Bednařík Andrej EUBFHIKMA - Katedra matematiky a aktuárstva FHI Source document TIEES 2025 Proceedings : Trends and Innovations in E-business, Education, and Security. Pp. 25-35. - Budapest : Óbuda University, 2025 / Schmidt Peter ; Rajnai Zoltán ; Jurík Pavol ; Trends and Innovations in E-business, Education and Security 2025 International Scientific Web Conference of Scientists and Doctoral Students. ISSN 2729-8493 DOI 10.5281/zenodo.18892764 Document kind schedule of articles from year books Language English Country of Edition Hungary Keywords informatika * algoritmy * učenie strojové * modely * spracovanie dát Annotation Článok skúma integráciu algoritmu XGBoost s hodnotami SHAP s cieľom vyvážiť predikčný výkon a interpretovateľnosť modelu. XGBoost je všeobecne uznávaný pre svoju vysokú presnosť a účinnosť, no jeho súborová štruktúra sťažuje interpretáciu interného rozhodovacieho procesu. SHAP ponúka teoreticky podložený rámec založený na Shapleyho hodnotách, ktorý umožňuje globálne aj lokálne vysvetlenia správania modelu. Public work category Reports at international scientific conferences Database PUBLIKAČNÁ ČINNOSŤ No. of Archival Copy E26 00059-002, online
File name Size Typ prístupu Plný text PDF 751.5 KB publicly available 
article
Number of the records: 1