tag shap
SHAP (SHapley Additive exPlanations) (SHAP Değerleri)
Bu sayfada shap (SHAP (SHapley Additive exPlanations) (SHAP Değerleri)) etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
SHAP (SHapley Additive exPlanations), oyun teorisinden ilham alan bir model yorumlanabilirlik çerçevesidir. 2017'de Lundberg ve Lee tarafından önerilen yöntem, herhangi bir makine öğrenmesi modelinin bireysel tahminlerini, her özelliğin (feature) katkısını sayısal olarak göstererek açıklar. Temel soru şudur: "Bu model bu tahmin için neden bu değeri verdi?" Shapley değerleri, kooperatif oyun teorisinde adil ödül paylaşımı için geliştirilmiş matematiksel bir kavramdır. SHAP bu kavramı ML özelliklerine uygular: her özellik, modelin tahmin sonucuna katkısına göre bir değer alır. Katkı hesaplaması, özelliğin tüm olası alt kümelere dahil edilip dışarıda bırakıldığındaki etki ortalamasını alır; bu, tarafsız ve teorik olarak sağlam bir yaklaşım sunar. Pratikte tam Shapley hesaplaması 2^n kombinasyon gerektirir (n: özellik sayısı) ve yüksek boyutlu veri için hesaplama açısından ağırdır. Lundberg ve Lee bu sorunu çözmek için modele özgü hızlı yaklaşımlar geliştirdi: TreeSHAP, karar ağacı ve gradient boosting modellerinde (XGBoost, LightGBM, RandomForest) Shapley değerlerini polinom zamanda hesaplar; LinearSHAP doğrusal modeller için analitik çözüm sunar. SHAP çıktıları üç düzeyde yorumlanabilir. Yerel açıklama (local explanation) bireysel tahminler için hangi özelliklerin ne kadar katkı yaptığını gösterir; örneğin bir kredi risk modelinde müşterinin yaşı tahminini +0.3 puan artırırken gelir seviyesi -0.15 puan düşürdüğünü ortaya koyar. Küresel açıklama (global explanation), tüm veri kümesi üzerinde ortalama mutlak SHAP değerlerini hesaplayarak hangi özelliklerin model kararlarında genel olarak belirleyici olduğunu gösterir. Beeswarm ve summary plotlar bu küresel bakışı görselleştirir. SHAP waterfall plot, dependence plot ve force plot gibi yerleşik görselleştirmeler veri bilimcilerin modeli hem müşterilere hem de düzenleyicilere (regülatörlere) açıklamasını kolaylaştırır. Finansal hizmetler (kredi kararları), sağlık (teşhis destek), insan kaynakları ve adli analitik gibi yüksek riskli alanlarda SHAP, model kararlarının şeffaflığını ve denetlenebilirliğini artırmak için fiili standart hâline gelmiştir.
Model Transparency (Model Şeffaflığı)
Model Şeffaflığı (Model Transparency), bir yapay zeka sisteminin nasıl karar verdiğini, hangi verilerle eğitildiğini ve çıktılarını neyin belirlediğini insanların anlayabilmesini sağlayan tasarım ilkeleri, araçlar ve belgeleme pratiklerinin bütünüdür. Günümüzde kredi değerlendirmesi, tıbbi teşhis ve işe alım gibi kritik alanlarda kullanılan YZ sistemlerinin hesap verebilirliği için zorunlu bir gereklilik haline gelmiştir. Şeffaflık üç temel katmandan oluşur. Algoritma şeffaflığı; model mimarisinin, eğitim sürecinin ve hiperparametrelerin belgelenmesini kapsar. Karar şeffaflığı, bireysel tahminlerin neden verildiğini açıklamayı gerektirir ve SHAP, LIME, dikkat ağırlıkları gibi araçlar bu soruyu yanıtlar. Veri şeffaflığı ise eğitim verisinin kapsam, kalite ve demografik dağılımının açıklanmasını içerir. Bu üç katmanın birlikte işlemesi, gerçek anlamda hesap verebilir bir yapay zeka sistemi kurmak için gereklidir. Açıklanabilir YZ (XAI) araçları bu hedefe ulaşmada kritik rol oynar. SHAP (SHapley Additive exPlanations) kooperatif oyun teorisinden yola çıkarak her özelliğin tahmine marjinal katkısını tüm olası kombinasyonlar üzerinden hesaplar; teorik tutarlılığı yüksek ama büyük modellerde maliyetlidir. LIME yerel doğrusal modeller üretir ve model-agnostik biçimde çalışır. Grad-CAM, görüntü sınıflandırıcılarının hangi piksellere odaklandığını ısı haritasıyla gösterir. Bu araçlar tam şeffaflık değil, sonradan eklenen (post-hoc) yaklaşık açıklamalar üretir. Model kartları, şeffaflık belgelerinin standart biçimidir. Google'ın önerdiği bu format; modelin amacını, eğitim verisini, farklı demografik gruplardaki performansını ve bilinen sınırlılıklarını sistematik olarak belgeler. Avrupa Birliği Yapay Zeka Yasası yüksek riskli YZ sistemlerinde bu tür belgeleri zorunlu kılmaktadır. Hugging Face'te binlerce açık kaynak model bu format üzerinden dağıtılmaktadır. Şeffaflık ile performans arasındaki gerilim, yapay zeka tasarımının temel ikilemlerinden birini oluşturur. Karar ağaçları ve lojistik regresyon gibi modeller doğaları gereği şeffaftır; ancak karmaşık örüntüleri öğrenmede yetersiz kalabilir. Derin ağlar güçlüdür ama opaklıkları nedeniyle denetim ve güven sorunu yaratır. Hibrit yaklaşımlar ve açıklama modülleri bu ikilem için pratik çıkış yolları sunmaktadır.
SHAP (SHapley Additive exPlanations) (SHAP Değerleri)
SHAP (SHapley Additive exPlanations), oyun teorisinden ilham alan bir model yorumlanabilirlik çerçevesidir. 2017'de Lundberg ve Lee tarafından önerilen yöntem, herhangi bir makine öğrenmesi modelinin bireysel tahminlerini, her özelliğin (feature) katkısını sayısal olarak göstererek açıklar. Temel soru şudur: "Bu model bu tahmin için neden bu değeri verdi?" Shapley değerleri, kooperatif oyun teorisinde adil ödül paylaşımı için geliştirilmiş matematiksel bir kavramdır. SHAP bu kavramı ML özelliklerine uygular: her özellik, modelin tahmin sonucuna katkısına göre bir değer alır. Katkı hesaplaması, özelliğin tüm olası alt kümelere dahil edilip dışarıda bırakıldığındaki etki ortalamasını alır; bu, tarafsız ve teorik olarak sağlam bir yaklaşım sunar. Pratikte tam Shapley hesaplaması 2^n kombinasyon gerektirir (n: özellik sayısı) ve yüksek boyutlu veri için hesaplama açısından ağırdır. Lundberg ve Lee bu sorunu çözmek için modele özgü hızlı yaklaşımlar geliştirdi: TreeSHAP, karar ağacı ve gradient boosting modellerinde (XGBoost, LightGBM, RandomForest) Shapley değerlerini polinom zamanda hesaplar; LinearSHAP doğrusal modeller için analitik çözüm sunar. SHAP çıktıları üç düzeyde yorumlanabilir. Yerel açıklama (local explanation) bireysel tahminler için hangi özelliklerin ne kadar katkı yaptığını gösterir; örneğin bir kredi risk modelinde müşterinin yaşı tahminini +0.3 puan artırırken gelir seviyesi -0.15 puan düşürdüğünü ortaya koyar. Küresel açıklama (global explanation), tüm veri kümesi üzerinde ortalama mutlak SHAP değerlerini hesaplayarak hangi özelliklerin model kararlarında genel olarak belirleyici olduğunu gösterir. Beeswarm ve summary plotlar bu küresel bakışı görselleştirir. SHAP waterfall plot, dependence plot ve force plot gibi yerleşik görselleştirmeler veri bilimcilerin modeli hem müşterilere hem de düzenleyicilere (regülatörlere) açıklamasını kolaylaştırır. Finansal hizmetler (kredi kararları), sağlık (teşhis destek), insan kaynakları ve adli analitik gibi yüksek riskli alanlarda SHAP, model kararlarının şeffaflığını ve denetlenebilirliğini artırmak için fiili standart hâline gelmiştir.