{"id":174344,"date":"2023-04-16T16:41:56","date_gmt":"2023-04-16T15:41:56","guid":{"rendered":"https:\/\/datascientest.com\/de\/?p=174344"},"modified":"2023-10-29T21:23:17","modified_gmt":"2023-10-29T20:23:17","slug":"shapley-additive-explanations-shap-was-ist-das","status":"publish","type":"post","link":"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das","title":{"rendered":"Shapley Additive Explanations\u00a0(SHAP), Was ist das ?"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"174344\" class=\"elementor elementor-174344\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-20448d40 e-flex e-con-boxed e-con\" data-id=\"20448d40\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-10a0b120 elementor-widget elementor-widget-heading\" data-id=\"10a0b120\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h2 class=\"elementor-heading-title elementor-size-default\">Shapley Additive Explanations, allgemein bekannt als SHAP, ist eine Technik, mit der das Ergebnis von Machine-Learning-Modellen erkl\u00e4rt werden kann. Sie basiert auf den Shapley-Werten, die sich der Spieltheorie bedienen, um den Kredit f\u00fcr die Vorhersage eines Modells den einzelnen Merkmalen oder Merkmalswerten zuzuordnen.<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8c5fff9 elementor-widget elementor-widget-text-editor\" data-id=\"8c5fff9\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p>Die Funktionsweise von <strong>Shapley Additive Explanations<\/strong> besteht darin, das Ergebnis eines Modells durch die Summen der Auswirkungen der einzelnen Merkmale zu zerlegen. <strong>Shapley Additive Explanations<\/strong> berechnet einen Wert, der den Beitrag jedes Merkmals zum Ergebnis des Modells darstellt. Diese Werte k\u00f6nnen verwendet werden, um die Bedeutung der einzelnen Merkmale zu verstehen und das Ergebnis des Modells einem Menschen zu erkl\u00e4ren. Dies bietet insbesondere Agenturen und Teams, die ihren Kunden oder Managern gegen\u00fcber Rechenschaft ablegen, einen Mehrwert.<\/p><p><strong>Shapley Additive Explanations SHAP<\/strong> hat mehrere interessante Eigenschaften, wie z. B. seine Neutralit\u00e4t gegen\u00fcber Modellen. Dadurch kann es auf jedes Lernmodell angewendet werden, konsistente Erkl\u00e4rungen liefern und mit komplexem Modellverhalten umgehen (wenn Merkmale z. B. miteinander interagieren).<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-4abf0618 e-flex e-con-boxed e-con\" data-id=\"4abf0618\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-5c3d3f23 elementor-widget elementor-widget-heading\" data-id=\"5c3d3f23\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Wozu dient Shapley Additive Explanations ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5377c161 elementor-widget elementor-widget-text-editor\" data-id=\"5377c161\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><strong>Shapley Additive Explanations<\/strong> hat viele Vorteile f\u00fcr <a href=\"https:\/\/datascientest.com\/de\/data-scientist-vs-data-analyst-gemeinsamkeiten-und-unterschiede\">Data Science-Profis<\/a>. Zun\u00e4chst einmal kann diese Technik die Vorhersagen von <a href=\"https:\/\/datascientest.com\/de\/deep-learning-vs-machine-learning\">Machine-Learning-Modellen<\/a> auf eine f\u00fcr Menschen verst\u00e4ndliche Weise erkl\u00e4ren. Indem sie jedem eingegebenen Merkmal einen Wert zuweist, zeigt sie, wie und in welchem Ausma\u00df jedes Merkmal zum Endergebnis der Vorhersage beigetragen hat.<\/p><p>So kann das Team nachvollziehen, wie das Modell seine Entscheidung getroffen hat, und kann die wichtigsten Merkmale identifizieren.<\/p><p>Wie bereits erl\u00e4utert, wird dieses Modell als agnostisch (neutral) bezeichnet.<\/p><p>Es kann mit jedem beliebigen Machine-Learning-Modell verwendet werden. Du musst dir also keine Gedanken \u00fcber die Struktur des Modells machen, um das Ergebnis der Vorhersage mit<strong> Shapley Additive Explanations<\/strong> &#8211; SHAP zu verstehen. Au\u00dferdem ist das Modell konsistent. Du kannst den erzeugten Erkl\u00e4rungen also vertrauen, unabh\u00e4ngig davon, welches Modell untersucht wird.<\/p><p>Schlie\u00dflich ist Shapley Additive Explanations &#8211; SHAP besonders n\u00fctzlich, um mit komplexen Verhaltensweisen umzugehen. Du kannst diese Technik verwenden, um zu verstehen, wie sich verschiedene Merkmale gemeinsam auf die Vorhersage des Modells auswirken.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-16aeb72 elementor-widget elementor-widget-image\" data-id=\"16aeb72\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"745\" height=\"419\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/shap-machine-learning.jpg\" class=\"attachment-full size-full wp-image-174347\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/shap-machine-learning.jpg 745w, https:\/\/datascientest.com\/de\/files\/2023\/04\/shap-machine-learning-300x169.jpg 300w\" sizes=\"(max-width: 745px) 100vw, 745px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6c518238 elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"6c518238\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/de\/weiterbildung-data-engineer\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Data Engineer Weiterbildung<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-6e778c01 e-flex e-con-boxed e-con\" data-id=\"6e778c01\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-44f56e6c elementor-widget elementor-widget-heading\" data-id=\"44f56e6c\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Wie kann man SHAP nutzen, um Vorhersagen zu erkl\u00e4ren?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-18e6f826 elementor-widget elementor-widget-text-editor\" data-id=\"18e6f826\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>So kannst du <a href=\"https:\/\/christophm.github.io\/interpretable-ml-book\/shap.html\">Shapley Additive Explanations<\/a> verwenden, um die Vorhersagen eines <a href=\"https:\/\/datascientest.com\/de\/adversarial-examples-im-machine-learning\">Machine-Learning-Modells<\/a> zu erkl\u00e4ren:<\/p><ul><li>Installiere das SHAP-Paket mithilfe von &#8218;pip install shap&#8216;.<\/li><li>Importiere das<strong> SHAP-Paket<\/strong> und andere ben\u00f6tigte Bibliotheken, wie Numpy und Matplotlib.<\/li><li>Lade dein Machine-Learning-Modell und bereite die Eingabedaten vor, die du erkl\u00e4ren m\u00f6chtest.<\/li><li>Erstelle ein SHAP-Objekt mithilfe der Funktion &#8217;shap.TreeExplainer&#8216; f\u00fcr baumbasierte Modelle oder &#8217;shap.KernelExplainer&#8216; f\u00fcr andere Arten von Modellen.<\/li><li>Rufe die &#8218;explain&#8216;-Methode des SHAP-Objekts auf und \u00fcbergebe ihr die Eingabedaten, die du erkl\u00e4ren m\u00f6chtest.<\/li><li>Diese Methode gibt eine Matrix von SHAP-Werten zur\u00fcck, die den Einfluss jedes Merkmals auf die Vorhersage des Modells darstellt.<\/li><li>Verwende die SHAP-Werte, um die Ergebnisse zu visualisieren und zu interpretieren. Du kannst z. B. die Funktion &#8217;shap.summary_plot&#8216; verwenden, um ein zusammenfassendes Diagramm zu erzeugen, das die relative Bedeutung jedes Merkmals zeigt.<\/li><li>Du kannst auch die Funktion &#8217;shap.dependence_plot&#8216; verwenden, um zu visualisieren, wie ein bestimmtes Merkmal die Vorhersage des Modells in Abh\u00e4ngigkeit von der Auspr\u00e4gung dieses Merkmals beeinflusst.<\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-50a905b0 elementor-widget elementor-widget-text-editor\" data-id=\"50a905b0\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Diese Technik bleibt einfach und ist erschreckend effektiv.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fe35627 elementor-widget elementor-widget-video\" data-id=\"fe35627\" data-element_type=\"widget\" data-settings=\"{&quot;youtube_url&quot;:&quot;https:\\\/\\\/www.youtube.com\\\/watch?v=VB9uV-x0gtg&quot;,&quot;video_type&quot;:&quot;youtube&quot;,&quot;controls&quot;:&quot;yes&quot;}\" data-widget_type=\"video.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-video .elementor-widget-container{overflow:hidden;transform:translateZ(0)}.elementor-widget-video .elementor-wrapper{aspect-ratio:var(--video-aspect-ratio)}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{height:100%;width:100%;display:flex;border:none;background-color:#000}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-wrapper{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .elementor-open-inline .elementor-custom-embed-image-overlay{position:absolute;top:0;right:0;bottom:0;left:0;background-size:cover;background-position:50%}.elementor-widget-video .elementor-custom-embed-image-overlay{cursor:pointer;text-align:center}.elementor-widget-video .elementor-custom-embed-image-overlay:hover .elementor-custom-embed-play i{opacity:1}.elementor-widget-video .elementor-custom-embed-image-overlay img{display:block;width:100%;aspect-ratio:var(--video-aspect-ratio);-o-object-fit:cover;object-fit:cover;-o-object-position:center center;object-position:center center}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-custom-embed-image-overlay{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-custom-embed-image-overlay img{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .e-hosted-video .elementor-video{-o-object-fit:cover;object-fit:cover}.e-con-inner>.elementor-widget-video,.e-con>.elementor-widget-video{width:var(--container-widget-width);--flex-grow:var(--container-widget-flex-grow)}<\/style>\t\t<div class=\"elementor-wrapper elementor-open-inline\">\n\t\t\t<div class=\"elementor-video\"><\/div>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-d6425cb e-flex e-con-boxed e-con\" data-id=\"d6425cb\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-db75e2 elementor-widget elementor-widget-heading\" data-id=\"db75e2\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Beispiel f\u00fcr die Verwendung von SHAP<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-64bb625f elementor-widget elementor-widget-text-editor\" data-id=\"64bb625f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Im Folgenden findest du ein Beispiel f\u00fcr die Verwendung von SHAP, das auf Entscheidungsb\u00e4umen basiert. Um das Beispiel besser zu verstehen, sprechen wir \u00fcber <a href=\"https:\/\/shap-lrjball.readthedocs.io\/en\/latest\/generated\/shap.TreeExplainer.html\">TreeExplainer.<\/a><\/p><p>TreeExplainer verwendet einen Ansatz, der auf der Approximation der Gesamtheit der B\u00e4ume basiert, um die<strong> SHAP-Werte<\/strong> f\u00fcr jedes Merkmal zu berechnen. Er eignet sich daher, um die Vorhersagen von Machine-Learning-Modellen mithilfe von Entscheidungsb\u00e4umen zu erkl\u00e4ren. Er ist auch n\u00fctzlich, um Regressions- und Klassifikationsmodelle, <a href=\"https:\/\/datascientest.com\/de\/random-forest-definition\">Random Forests<\/a> und Gradient Boosting Machines zu erkl\u00e4ren.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4e110bba elementor-widget elementor-widget-image\" data-id=\"4e110bba\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"450\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/random-forest.png\" class=\"attachment-full size-full wp-image-174348\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2023\/04\/random-forest.png 800w, https:\/\/datascientest.com\/de\/files\/2023\/04\/random-forest-300x169.png 300w, https:\/\/datascientest.com\/de\/files\/2023\/04\/random-forest-768x432.png 768w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-414adb99 elementor-widget elementor-widget-text-editor\" data-id=\"414adb99\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Hier ist ein einfaches Beispiel f\u00fcr die Verwendung von SHAP mit einem auf Entscheidungsb\u00e4umen basierenden <a href=\"https:\/\/datascientest.com\/de\/logistische-regression-was-ist-das-denn\">Regressionsmodell :<\/a><\/p><p>import shap<br \/>import numpy as np<br \/>import matplotlib.pyplot as plt<\/p><p># Lade dein Modell<br \/>model = load_model()<\/p><p># Bereite die Eingabedaten vor, die du erkl\u00e4ren m\u00f6chtest.<br \/>X = prepare_data()<\/p><p># Erstelle ein SHAP-Objekt, indem du den TreeExplainer verwendest.<br \/>explainer = shap.TreeExplainer(model)<\/p><p># Rufe die explain-Methode auf und \u00fcbergebe ihr die Eingabedaten.<br \/>shap_values = explainer.explain(X)<\/p><p># Zeige ein zusammenfassendes Diagramm der relativen Bedeutung jedes Merkmals an.<br \/>shap.summary_plot(shap_values, X)<\/p><p># Zeige das Abh\u00e4ngigkeitsdiagramm f\u00fcr das Merkmal &#8222;age&#8220; an.<br \/>shap.dependence_plot(&#8222;age&#8220;, shap_values, X)<\/p><p>Dieses Beispiel berechnet die SHAP-Werte f\u00fcr jedes Element von X. Es zeigt dann ein zusammenfassendes Diagramm der relativen Bedeutung jedes Merkmals und ein Abh\u00e4ngigkeitsdiagramm f\u00fcr die Kategorie &#8222;age&#8220;.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-6e1719ec e-flex e-con-boxed e-con\" data-id=\"6e1719ec\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-45ab054b elementor-widget elementor-widget-heading\" data-id=\"45ab054b\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Fazit<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4237a650 elementor-widget elementor-widget-text-editor\" data-id=\"4237a650\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>SHAP (Shapley Additive Explanations) ist also eine Technik, mit der die Vorhersagen von <a href=\"https:\/\/datascientest.com\/de\/bagging-im-machine-learning-was-ist-das\">Machine-Learning-Modellen<\/a> auf vielseitige und leistungsstarke Weise erkl\u00e4rt werden k\u00f6nnen. Diese Methode ist agnostisch, konsistent und kann mit dem komplexen Verhalten von Modellen umgehen.<\/p><p>SHAP ist besonders n\u00fctzlich, um die Funktionsweise eines Modells zu verstehen, wichtige Merkmale zu identifizieren und das Ergebnis der Vorhersagen anderen Personen in deinem Team oder deinen Kunden zu erkl\u00e4ren.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-2a12a188 e-flex e-con-boxed e-con\" data-id=\"2a12a188\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-37e5fc0b elementor-widget elementor-widget-text-editor\" data-id=\"37e5fc0b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Nachdem du SHAP kennengelernt hast, m\u00f6chtest du es vielleicht auch beherrschen. Um das zu tun, solltest du mehr \u00fcber die DataScientest-Kurse erfahren, die Machine Learning in den Lehrplan integrieren.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-47fa862b elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"47fa862b\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/de\/unsere-aus-und-weiterbildungen\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Entdecke unsere Weiterbildungen<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-161d46d7 e-flex e-con-boxed e-con\" data-id=\"161d46d7\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-388d2a8d elementor-widget elementor-widget-html\" data-id=\"388d2a8d\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">.\n{\n  \"@context\": \"https:\/\/schema.org\",\n  \"@type\": \"FAQPage\",\n  \"mainEntity\": [{{\n    \"@type\": \"Frage\",\n    \"name\": \"Warum ist SHAP n\u00fctzlich?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"SHAP hat viele Vorteile f\u00fcr Data Science-Profis. Zun\u00e4chst einmal k\u00f6nnen die Vorhersagen von Machine-Learning-Modellen auf eine Weise erkl\u00e4rt werden, die f\u00fcr Menschen verst\u00e4ndlich ist. Indem sie jedem eingegebenen Merkmal einen Wert zuweist, zeigt sie, wie und in welchem Ausma\u00df jedes Merkmal zum Endergebnis der Vorhersage beigetragen hat. So kann das Team nachvollziehen, wie das Modell seine Entscheidung getroffen hat und kann die wichtigsten Merkmale identifizieren.\"\n    }\n  },{\n    \"@type\": \"Frage\",\n    \"name\": \"Wie kann man SHAP verwenden, um Vorhersagen zu erkl\u00e4ren?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Verwende die SHAP-Werte, um die Ergebnisse zu visualisieren und zu interpretieren. Du kannst z. B. die Funktion 'shap.summary_plot' verwenden, um ein zusammenfassendes Diagramm zu erstellen, das die relative Bedeutung jedes Merkmals zeigt. Du kannst auch die Funktion 'shap.dependence_plot' verwenden, um zu visualisieren, wie ein bestimmtes Merkmal die Vorhersage des Modells in Abh\u00e4ngigkeit von der Auspr\u00e4gung dieses Merkmals beeinflusst.\"\n    }\n  }]\n}\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Shapley Additive Explanations, allgemein bekannt als SHAP, ist eine Technik, mit der das Ergebnis von Machine-Learning-Modellen erkl\u00e4rt werden kann. Sie basiert auf den Shapley-Werten, die sich der Spieltheorie bedienen, um den Kredit f\u00fcr die Vorhersage eines Modells den einzelnen Merkmalen oder Merkmalswerten zuzuordnen. Die Funktionsweise von Shapley Additive Explanations besteht darin, das Ergebnis eines Modells [&hellip;]<\/p>\n","protected":false},"author":67,"featured_media":174346,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2454],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Shapley Additive Explanations\u00a0(SHAP), Was ist das ?<\/title>\n<meta name=\"description\" content=\"Jeder gute Datascientist sollte mit Shapley Additive Explanations (SHAP) umgehen k\u00f6nnen. In unserem Artikel erf\u00e4hrst Du ...\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Shapley Additive Explanations\u00a0(SHAP), Was ist das ?\" \/>\n<meta property=\"og:description\" content=\"Shapley Additive Explanations, allgemein bekannt als SHAP, ist eine Technik, mit der das Ergebnis von Machine-Learning-Modellen erkl\u00e4rt werden kann. Sie\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das\" \/>\n<meta property=\"og:site_name\" content=\"Weiterbildung Data Science | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2023-04-16T15:41:56+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-29T20:23:17+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/04\/shap.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"512\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Melanie\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Melanie\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das\"},\"author\":{\"name\":\"Melanie\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\"},\"headline\":\"Shapley Additive Explanations\u00a0(SHAP), Was ist das ?\",\"datePublished\":\"2023-04-16T15:41:56+00:00\",\"dateModified\":\"2023-10-29T20:23:17+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das\"},\"wordCount\":881,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das#respond\"]}],\"copyrightYear\":\"2023\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das\",\"url\":\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das\",\"name\":\"Shapley Additive Explanations\u00a0(SHAP), Was ist das ?\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/#website\"},\"datePublished\":\"2023-04-16T15:41:56+00:00\",\"dateModified\":\"2023-10-29T20:23:17+00:00\",\"description\":\"Jeder gute Datascientist sollte mit Shapley Additive Explanations (SHAP) umgehen k\u00f6nnen. In unserem Artikel erf\u00e4hrst Du ...\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/de\/#website\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"name\":\"Weiterbildung Data Science | DataScientest.com\",\"description\":\"F\u00fchrender Anbieter von Schulungen im Bereich Data Science\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/de\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-germany\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\",\"name\":\"Melanie\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"caption\":\"Melanie\"},\"url\":\"https:\/\/datascientest.com\/de\/author\/melaniekrause\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Shapley Additive Explanations\u00a0(SHAP), Was ist das ?","description":"Jeder gute Datascientist sollte mit Shapley Additive Explanations (SHAP) umgehen k\u00f6nnen. In unserem Artikel erf\u00e4hrst Du ...","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das","og_locale":"de_DE","og_type":"article","og_title":"Shapley Additive Explanations\u00a0(SHAP), Was ist das ?","og_description":"Shapley Additive Explanations, allgemein bekannt als SHAP, ist eine Technik, mit der das Ergebnis von Machine-Learning-Modellen erkl\u00e4rt werden kann. Sie","og_url":"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das","og_site_name":"Weiterbildung Data Science | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2023-04-16T15:41:56+00:00","article_modified_time":"2023-10-29T20:23:17+00:00","og_image":[{"width":1024,"height":512,"url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/04\/shap.webp","type":"image\/webp"}],"author":"Melanie","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Verfasst von":"Melanie","Gesch\u00e4tzte Lesezeit":"5 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das#article","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das"},"author":{"name":"Melanie","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d"},"headline":"Shapley Additive Explanations\u00a0(SHAP), Was ist das ?","datePublished":"2023-04-16T15:41:56+00:00","dateModified":"2023-10-29T20:23:17+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das"},"wordCount":881,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"articleSection":["Data Science"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das#respond"]}],"copyrightYear":"2023","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das","url":"https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das","name":"Shapley Additive Explanations\u00a0(SHAP), Was ist das ?","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/#website"},"datePublished":"2023-04-16T15:41:56+00:00","dateModified":"2023-10-29T20:23:17+00:00","description":"Jeder gute Datascientist sollte mit Shapley Additive Explanations (SHAP) umgehen k\u00f6nnen. In unserem Artikel erf\u00e4hrst Du ...","inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/de\/shapley-additive-explanations-shap-was-ist-das"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/de\/#website","url":"https:\/\/datascientest.com\/de\/","name":"Weiterbildung Data Science | DataScientest.com","description":"F\u00fchrender Anbieter von Schulungen im Bereich Data Science","publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/de\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-germany\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d","name":"Melanie","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","caption":"Melanie"},"url":"https:\/\/datascientest.com\/de\/author\/melaniekrause"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/174344"}],"collection":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/users\/67"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/comments?post=174344"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/174344\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media\/174346"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media?parent=174344"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/categories?post=174344"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/tags?post=174344"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}