Machine learning explainability (MLX) er processen med at forklare og fortolke maskinlærings- og deep learning-modeller. MLX kan hjælpe maskinlæringsudviklere med at: Bedre forstå og fortolke modellens adfærd.
Hvad er forklaring i maskinlæring?
Explainability (også omt alt som "fortolkelighed") er konceptet om, at en maskinlæringsmodel og dens output kan forklares på en måde, der "giver mening" for et menneske på et acceptabelt niveau.
Hvad er forskellen mellem Forklarlighed og fortolkbarhed?
Fortolkelighed handler om, i hvilket omfang en årsag og virkning kan observeres i et system. … Forklarlighed er i mellemtiden, i hvilket omfang den interne mekanik i en maskine eller et dybt læringssystem kan forklares i menneskelige termer.
Hvad er ML-forklaring?
Forklarlighed i maskinlæring betyder, at du kan forklare, hvad der sker i din model fra input til output. Det gør modeller gennemsigtige og løser black box-problemet. Forklarlig AI (XAI) er den mere formelle måde at beskrive dette på og gælder for al kunstig intelligens.
Hvad er model, der kan forklares?
Explainability definerer at kunne forklare forudsigelser, der er resultatet af en model fra et mere teknisk synspunkt, til et menneske. Gennemsigtighed: En model betragtes som gennemsigtig, hvis den er forståelig i sig selv ud fra simple forklaringer.
