دانلود مقاله کامپیوتر (it)یک توضیح کارامد از طبقه بندی فردی با استفاده از تئوری بازی
تعداد کلمات فایل انگلیسی: 7800 کلمه 18 صفحه pdf
تعداد صفحات فایل ترجمه: 28 صفحه word فونت 14 (Arial (Body CS
یک توضیح کارامد از طبقه بندی فردی با استفاده از تئوری بازی
چکیده
ما یک روش عمومی برای توضیح پیش بینی فردی مدلهای طبقه بندی ارائه کردیم. این روش مبتنی بر مفاهیم پایه تئوری بازی ائتلافی می باشد و پیش بینی ها با سهم مقادیر ویژگی های فردی توضیح داده شده اند. ما با تقریب های مبتنی بر نمونه گیری، بر ابهام زمان اکسپونانسیل آغازی روش غلبه کردیم. در بخش آزمایشگاهی مقاله از روش پیشرفته در مدل های تولید شده توسط الگوریتم های یادگیری ماشین شناخته شده، در هر دو مجموعه داده های سنتزی و داده های جهان واقعی استفاده کردیم. نتایج نشان دادند که این روش کارآمد است و توضیحات آن قابل درک و مفید می باشند.
کلمات کلیدی: پس پردازش داده، طبقه بندی، توضیح، بصری
1-مقدمه
استخراج اطلاعات از داده وظیفه اصلی یادگیری ماشین می باشد. داده ها اغلب نویز دار ، ناسازگار، و ناکامل هستند، بنابراین روش های پیش پردازش گوناگون ، قبل از اعمال الگوریتم یادگیری ماشین مناسب استفاده شده اند. اطلاعاتی که ما با این روش استخراج می کنیم ممکن است برای استفاده فوری مناسب نباشد و یک یا تعداد بیشتری روش پس پردازش ممکن است به داده اعمال شود. پس پردازش داده انتگرال گیری، فیلتر کردن، ارزیابی و توضیح اطلاعات کسب شده را شامل می شود. اخرین مورد موضوع این مقاله می باشد………..
An Efficient Explanation of Individual Classifications using Game Theory
Erik Strumbelj Igor Kononenko
Faculty of Computer and Information Science
University of Ljubljana
Trzaska 25, 1000 Ljubljana, Slovenia
Editor: Stefan Wrobel
Abstract
We present a general method for explaining individual predictions of classification models. The method is based on fundamental concepts from coalitional game theory and predictions are explained with contributions of individual feature values. We overcome the method’s initial exponential time complexity with a sampling-based approximation. In the experimental part of the paper we use the developed method on models generated by several well-known machine learning algorithms on both synthetic and real-world data sets. The results demonstrate that the method is efficient and that the explanations are intuitive and useful.
Keywords: data postprocessing, classification, explanation, visualization
کد: 9222
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله کامپیوتر (it)یک توضیح کارامد از طبقه بندی فردی با استفاده از تئوری بازی
تعداد کلمات فایل انگلیسی: 7800 کلمه 18 صفحه pdf
تعداد صفحات فایل ترجمه: 28 صفحه word فونت 14 (Arial (Body CS
یک توضیح کارامد از طبقه بندی فردی با استفاده از تئوری بازی
چکیده
ما یک روش عمومی برای توضیح پیش بینی فردی مدلهای طبقه بندی ارائه کردیم. این روش مبتنی بر مفاهیم پایه تئوری بازی ائتلافی می باشد و پیش بینی ها با سهم مقادیر ویژگی های فردی توضیح داده شده اند. ما با تقریب های مبتنی بر نمونه گیری، بر ابهام زمان اکسپونانسیل آغازی روش غلبه کردیم. در بخش آزمایشگاهی مقاله از روش پیشرفته در مدل های تولید شده توسط الگوریتم های یادگیری ماشین شناخته شده، در هر دو مجموعه داده های سنتزی و داده های جهان واقعی استفاده کردیم. نتایج نشان دادند که این روش کارآمد است و توضیحات آن قابل درک و مفید می باشند.
کلمات کلیدی: پس پردازش داده، طبقه بندی، توضیح، بصری
1-مقدمه
استخراج اطلاعات از داده وظیفه اصلی یادگیری ماشین می باشد. داده ها اغلب نویز دار ، ناسازگار، و ناکامل هستند، بنابراین روش های پیش پردازش گوناگون ، قبل از اعمال الگوریتم یادگیری ماشین مناسب استفاده شده اند. اطلاعاتی که ما با این روش استخراج می کنیم ممکن است برای استفاده فوری مناسب نباشد و یک یا تعداد بیشتری روش پس پردازش ممکن است به داده اعمال شود. پس پردازش داده انتگرال گیری، فیلتر کردن، ارزیابی و توضیح اطلاعات کسب شده را شامل می شود. اخرین مورد موضوع این مقاله می باشد………..
An Efficient Explanation of Individual Classifications using Game Theory
Erik Strumbelj Igor Kononenko
Faculty of Computer and Information Science
University of Ljubljana
Trzaska 25, 1000 Ljubljana, Slovenia
Editor: Stefan Wrobel
Abstract
We present a general method for explaining individual predictions of classification models. The method is based on fundamental concepts from coalitional game theory and predictions are explained with contributions of individual feature values. We overcome the method’s initial exponential time complexity with a sampling-based approximation. In the experimental part of the paper we use the developed method on models generated by several well-known machine learning algorithms on both synthetic and real-world data sets. The results demonstrate that the method is efficient and that the explanations are intuitive and useful.
Keywords: data postprocessing, classification, explanation, visualization
کد: 9222
دانلود رایگان مقاله انگلیسی