Welcome to this blog about Mathematics and Artificial Intelligence.
Here you’ll find articles exploring the beautiful intersection of mathematical theory and AI实践.
PDP 和 ICE 图的终极指南
部分依赖图和单独条件期望图背后的直觉、数学和代码（R 和 Python）
使用 CatBoost 实现分类特征的 SHAP
避免对分类特征的 SHAP 值进行后处理
我们可以从黑盒模型中学到什么
使用非线性模型进行数据探索和知识生成
KernelSHAP vs TreeSHAP
根据速度、复杂性和其他考虑因素比较 SHAP 近似方法
分类特征的 SHAP
将经过One-Hot 编码转换的分类特征的 SHAP 值相加
可解释性与公平性的关系
可解释模型更有可能公平的三个原因
使用 Pandas 批量处理 22GB 交易数据
如何利用有限的计算资源来处理大型数据集
四个自定义 SHAP 图
超越 Python 包，创建 SHAP 值的定制可视化
Python 中的 SHAP 简介
本文中有多篇计划文章，后期会补充相关链接。鉴于公众号内无法后期修改文章，请关注原文链接。 > > 如何创建和解释 SHAP 图：瀑布图、力图、平均 SHAP 图、蜂群图和依赖图
分析与 SHAP 的相互作用
使用SHAP Python包识别和可视化数据中的交互