{"id":192707,"date":"2024-02-20T12:45:53","date_gmt":"2024-02-20T11:45:53","guid":{"rendered":"https:\/\/datascientest.com\/de\/?p=192707"},"modified":"2024-02-18T14:33:48","modified_gmt":"2024-02-18T13:33:48","slug":"shap-fuer-die-interpretierbarkeit-von-ki-modellen","status":"publish","type":"post","link":"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen","title":{"rendered":"SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"192707\" class=\"elementor elementor-192707\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-f37c449 e-flex e-con-boxed e-con\" data-id=\"f37c449\" 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-e2b184b elementor-widget elementor-widget-heading\" data-id=\"e2b184b\" 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\">Die F\u00e4higkeit, Entscheidungen zu verstehen und zu erkl\u00e4ren, die von Modellen der K\u00fcnstlichen Intelligenz oder des Machine Learning getroffen werden, ist von gr\u00f6\u00dfter Bedeutung geworden. Diese hochentwickelten Technologien werden zunehmend in kritische Bereiche wie das Gesundheitswesen, die Finanzwelt oder die Sicherheit integriert. L\u00f6sungen wie SHAP (SHapley Additive exPlanations) erleben einen rasanten Aufschwung.<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2ff5de1 elementor-widget elementor-widget-text-editor\" data-id=\"2ff5de1\" 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><strong>SHAP<\/strong> basiert auf den Konzepten der kooperativen Spieltheorie und bietet eine rigorose und intuitive Methode, um die Modellvorhersagen in die individuellen Beitr\u00e4ge der einzelnen Merkmale zu zerlegen.<\/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-9647a4b elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"9647a4b\" 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\/en\/machine-learning-engineer-course\">\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\">Alles \u00fcber SHAP lernen<\/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-5f10262 e-flex e-con-boxed e-con\" data-id=\"5f10262\" 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-3f5105a elementor-widget elementor-widget-heading\" data-id=\"3f5105a\" 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\">Theoretische Grundlagen von SHAP<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7283559 elementor-widget elementor-widget-text-editor\" data-id=\"7283559\" 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>Es ist notwendig, die <strong>theoretischen Wurzeln von SHAP ein wenig zu analysieren<\/strong>, um seinen Mehrwert zu verstehen, aber auch den Grund, warum es effektiv ist, um manchmal komplexe Modelle zu interpretieren.<\/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-23a0ba5 e-flex e-con-boxed e-con\" data-id=\"23a0ba5\" 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<div class=\"elementor-element elementor-element-20d23a9 e-con-full e-flex e-con\" data-id=\"20d23a9\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-bc7485f elementor-widget elementor-widget-image\" data-id=\"bc7485f\" 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\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2024\/01\/image1-2.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\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>\n\t\t<div class=\"elementor-element elementor-element-73e731d e-con-full e-flex e-con\" data-id=\"73e731d\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-05ae779 elementor-widget elementor-widget-heading\" data-id=\"05ae779\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Kooperative Spieltheorie<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0ba64cf elementor-widget elementor-widget-text-editor\" data-id=\"0ba64cf\" 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 Theorie, ein Zweig der Spieltheorie, konzentriert sich auf die Analyse von Strategien f\u00fcr Gruppen von Akteuren, die sich zusammenschlie\u00dfen k\u00f6nnen, um Kooperationen zu bilden und Belohnungen zu teilen. Im Zentrum dieser Theorie steht der Begriff des &#8222;fairen Wertes&#8220;, eine M\u00f6glichkeit, Gewinne (oder Verluste) unter den Teilnehmern in einer Weise zu verteilen, die ihren individuellen Beitrag widerspiegelt. In diesem Zusammenhang ist der<strong> Shapley-Wert zu sehen.<\/strong><\/p>\t\t\t\t\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-8deb30a e-flex e-con-boxed e-con\" data-id=\"8deb30a\" 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<div class=\"elementor-element elementor-element-dace2e8 e-con-full e-flex e-con\" data-id=\"dace2e8\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-beff9e4 elementor-widget elementor-widget-image\" data-id=\"beff9e4\" 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\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2024\/01\/image6-2.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\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>\n\t\t<div class=\"elementor-element elementor-element-c84ccd5 e-con-full e-flex e-con\" data-id=\"c84ccd5\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-e7dcad2 elementor-widget elementor-widget-heading\" data-id=\"e7dcad2\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Der Shapley-Wert<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3e578a2 elementor-widget elementor-widget-text-editor\" data-id=\"3e578a2\" 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>Dies ist ein <a href=\"https:\/\/datascientest.com\/de\/expected-goals-die-mathematik-dahinter-verstehen\">mathematisches Konzept<\/a>, das 1953 von Lloyd Shapley eingef\u00fchrt wurde und dazu dient, den fairen Anteil jedes Spielers in einem kooperativen Spiel zu bestimmen. Sie wird berechnet, indem man alle m\u00f6glichen Permutationen von Spielern ber\u00fccksichtigt und den marginalen Einfluss jedes Spielers bewertet, wenn er sich einer Koalition anschlie\u00dft. Mit anderen Worten, sie misst den durchschnittlichen Beitrag eines Spielers zu einer Koalition unter Ber\u00fccksichtigung aller m\u00f6glichen Kombinationen, in denen dieser Spieler einen Beitrag leisten k\u00f6nnte.<\/p>\t\t\t\t\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-1986d5c e-flex e-con-boxed e-con\" data-id=\"1986d5c\" 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<div class=\"elementor-element elementor-element-ec96ced e-con-full e-flex e-con\" data-id=\"ec96ced\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-da07cf6 elementor-widget elementor-widget-image\" data-id=\"da07cf6\" 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\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2024\/01\/image5-3.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\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>\n\t\t<div class=\"elementor-element elementor-element-99b3a55 e-con-full e-flex e-con\" data-id=\"99b3a55\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-1081f0a elementor-widget elementor-widget-heading\" data-id=\"1081f0a\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Verbindung mit SHAP<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-efd472c elementor-widget elementor-widget-text-editor\" data-id=\"efd472c\" 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 Zusammenhang mit maschinellem Lernen verwendet <strong>SHAP den Shapley-Wert,<\/strong> um jedem Merkmal in einem <a href=\"https:\/\/datascientest.com\/de\/folgen-und-reihen-mathe-das-prinzip-verstehen\">Vorhersagemodell<\/a> einen &#8222;Wichtigkeitswert&#8220; zuzuweisen. Jedes Merkmal einer Dateninstanz wird als &#8222;Spieler&#8220; in einem kooperativen Spiel betrachtet, bei dem der &#8222;Gewinn&#8220; die Vorhersage des Modells ist.<\/p>\t\t\t\t\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-c3ca3fb e-flex e-con-boxed e-con\" data-id=\"c3ca3fb\" 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<div class=\"elementor-element elementor-element-842a11a e-con-full e-flex e-con\" data-id=\"842a11a\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-c53c8f8 elementor-widget elementor-widget-image\" data-id=\"c53c8f8\" 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\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2024\/01\/image2-2.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-efa7875 e-con-full e-flex e-con\" data-id=\"efa7875\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-494fb4c elementor-widget elementor-widget-heading\" data-id=\"494fb4c\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Auswirkungen des Shapley-Wertes auf die KI<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-55fab9e elementor-widget elementor-widget-text-editor\" data-id=\"55fab9e\" 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>Dieser Wert stellt einen bedeutenden Fortschritt bei der <a href=\"https:\/\/datascientest.com\/de\/ki-trainieren-ohne-daten-mit-dieser-neuen-technik-ist-es-moeglich\">Interpretierbarkeit von KI-Modellen<\/a> dar. Er erm\u00f6glicht es nicht nur, die Auswirkungen jedes Merkmals fair und einheitlich zu quantifizieren, sondern bietet auch eine Transparenz, die dabei hilft,<a href=\"https:\/\/datascientest.com\/de\/featuretools-das-werkzeug-das-das-feature-engineering-mit-machine-learning-automatisiert\"> Vertrauen in maschinelle Lernmodelle aufzubauen.<\/a><\/p>\t\t\t\t\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-d41d9bc e-flex e-con-boxed e-con\" data-id=\"d41d9bc\" 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-c56d1cd elementor-widget elementor-widget-heading\" data-id=\"c56d1cd\" 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 funktioniert SHAP?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4ef69c5 elementor-widget elementor-widget-text-editor\" data-id=\"4ef69c5\" 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>Das Herzst\u00fcck von <strong>SHAP<\/strong> ist die Idee, eine bestimmte Vorhersage in einen Satz von Werten zu zerlegen, die jedem Eingabemerkmal zugewiesen werden. Diese Werte werden so berechnet, dass sie den Einfluss jedes Merkmals auf die Abweichung zwischen der aktuellen Vorhersage und dem Durchschnitt der Vorhersagen \u00fcber den Datensatz widerspiegeln.<\/p><p>Um dies zu erreichen, untersucht<strong> SHAP<\/strong> alle m\u00f6glichen Kombinationen von Merkmalen und deren Beitr\u00e4ge zur Vorhersage. Dieser Prozess nutzt den Shapley-Wert, den wir zuvor besprochen haben, um eine faire und genaue Verteilung der Auswirkungen unter den Merkmalen zu gew\u00e4hrleisten.<\/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-25aa2b5 elementor-widget elementor-widget-heading\" data-id=\"25aa2b5\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Nehmen wir ein Beispiel<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0a480ac elementor-widget elementor-widget-text-editor\" data-id=\"0a480ac\" 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>Stellen wir uns ein Vorhersagemodell vor, das in der Finanzbranche zur Bewertung des Kreditrisikos eingesetzt wird. SHAP kann aufdecken, wie Merkmale wie der Kredit-Score, das Jahreseinkommen und die R\u00fcckzahlungshistorie zur endg\u00fcltigen Entscheidung des Modells beitragen. Wenn einem Kunden ein Kredit verweigert wird, kann SHAP aufzeigen, welche Merkmale diese negative Entscheidung am st\u00e4rksten beeinflusst haben, und so relevante Indikatoren liefern.<\/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-3b350a2 elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"3b350a2\" 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\/en\/machine-learning-engineer-course\">\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\">Beherrsche die Funktionsweise von SHAP<\/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-998a114 e-flex e-con-boxed e-con\" data-id=\"998a114\" 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-fe9afe1 elementor-widget elementor-widget-heading\" data-id=\"fe9afe1\" 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\">Verwendung mit Python<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ab06d02 elementor-widget elementor-widget-text-editor\" data-id=\"ab06d02\" 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><a href=\"https:\/\/datascientest.com\/de\/top-10-der-python-bibliotheken-fur-data-scientists\">Python bietet eine Bibliothek<\/a> f\u00fcr<strong> SHAP<\/strong>. Diese erm\u00f6glicht es den Nutzern, die Vorteile von SHAP f\u00fcr die Interpretierbarkeit von Modellen voll auszusch\u00f6pfen.<\/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-9d4b519 elementor-widget elementor-widget-heading\" data-id=\"9d4b519\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Installation<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cc37fbf elementor-widget elementor-widget-text-editor\" data-id=\"cc37fbf\" 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>Der erste Schritt ist nat\u00fcrlich die Installation der Bibliothek.<\/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-9af1739 elementor-widget elementor-widget-code-highlight\" data-id=\"9af1739\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard word-wrap\">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-python \">\n\t\t\t\t<code readonly=\"true\" class=\"language-python\">\n\t\t\t\t\t<xmp>pip install shap<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-254114e elementor-widget elementor-widget-text-editor\" data-id=\"254114e\" 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>Nach der Installation musst du sie nur noch in deine Umgebung importieren :<\/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-d57ff4d elementor-widget elementor-widget-code-highlight\" data-id=\"d57ff4d\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard word-wrap\">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-python \">\n\t\t\t\t<code readonly=\"true\" class=\"language-python\">\n\t\t\t\t\t<xmp>import shap<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7ba35b1 elementor-widget elementor-widget-heading\" data-id=\"7ba35b1\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Vorbereitung der Daten<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-bd1af02 elementor-widget elementor-widget-text-editor\" data-id=\"bd1af02\" 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>Angenommen, du hast ein bereits trainiertes Machine-Learning-Modell, z. B. ein Zufallswaldmodell f\u00fcr die Klassifizierung (RandomForestClassifier). Dann ben\u00f6tigst du einen <a href=\"https:\/\/datascientest.com\/de\/datasets-top-5-websites-fuer-qualitativ-hochwertige-datensaetze\">Datensatz f\u00fcr die Analyse :<\/a><\/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-4ae8cd1 elementor-widget elementor-widget-code-highlight\" data-id=\"4ae8cd1\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard word-wrap\">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-python \">\n\t\t\t\t<code readonly=\"true\" class=\"language-python\">\n\t\t\t\t\t<xmp>from sklearn.model_selection import train_test_split\r\nfrom sklearn.ensemble import RandomForestClassifier\r\nimport pandas as pd\r\n\r\n# Load and prepare datas\r\ndata = pd.read_csv('my_amazing_dataset.csv')\r\nX = data.drop('target', axis=1)\r\ny = data['target']\r\n\r\n# Split train and test set\r\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\r\n\r\n# Train the model\r\nmodel = RandomForestClassifier(random_state=42)\r\nmodel.fit(X_train, y_train)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3dce679 elementor-widget elementor-widget-heading\" data-id=\"3dce679\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">SHAP-Analyse<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9786bdc elementor-widget elementor-widget-text-editor\" data-id=\"9786bdc\" 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 das Modell trainiert hast, kannst du mithilfe von <strong>SHAP die Auswirkungen der Merkmale analysieren.<\/strong> F\u00fcr die Fortsetzung dieses Beispiels k\u00f6nnen wir den Explainer Tree verwenden.<\/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-8767405 elementor-widget elementor-widget-code-highlight\" data-id=\"8767405\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard word-wrap\">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-python \">\n\t\t\t\t<code readonly=\"true\" class=\"language-python\">\n\t\t\t\t\t<xmp># Create Explainer Tree\r\nexplainer = shap.TreeExplainer(model)\r\n\r\n# Compute SHAP Values on the test set\r\nshap_values = explainer.shap_values(X_test)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-58744c9 elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"58744c9\" 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\/formation-machine-learning-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\">Apprendre \u00e0 utiliser SHAP<\/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<div class=\"elementor-element elementor-element-0d8c49a elementor-widget elementor-widget-heading\" data-id=\"0d8c49a\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Visualisierung der Ergebnisse<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9359c78 elementor-widget elementor-widget-text-editor\" data-id=\"9359c78\" 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>SHAP<\/strong> bietet nat\u00fcrlich verschiedene Visualisierungsoptionen, um die Ergebnisse zu interpretieren. Um eine Zusammenfassung der Wichtigkeit von Merkmalen zu erhalten, kannst du zum Beispiel :<\/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-c7aea2b elementor-widget elementor-widget-code-highlight\" data-id=\"c7aea2b\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard word-wrap\">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-python \">\n\t\t\t\t<code readonly=\"true\" class=\"language-python\">\n\t\t\t\t\t<xmp>shap.summary_plot(shap_values, X_test)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b34bcdc elementor-widget elementor-widget-image\" data-id=\"b34bcdc\" 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\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2024\/01\/image7-2.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\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-f003c50 elementor-widget elementor-widget-text-editor\" data-id=\"f003c50\" 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>Es ist auch m\u00f6glich, die Auswirkungen eines bestimmten Merkmals zu untersuchen:<\/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-20d6d4c elementor-widget elementor-widget-code-highlight\" data-id=\"20d6d4c\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard word-wrap\">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-python \">\n\t\t\t\t<code readonly=\"true\" class=\"language-python\">\n\t\t\t\t\t<xmp># Need to initialize javascript in order to display the plots\r\nshap.initjs()\r\n\r\n# View impact\r\nshap.plots.force(explainer.expected_value[0], shap_values[0])<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1c7ee59 elementor-widget elementor-widget-image\" data-id=\"1c7ee59\" 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\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2024\/01\/image4-2.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\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-7ac7a9f e-flex e-con-boxed e-con\" data-id=\"7ac7a9f\" 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-e112aa0 elementor-widget elementor-widget-heading\" data-id=\"e112aa0\" 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-c4c3264 elementor-widget elementor-widget-text-editor\" data-id=\"c4c3264\" 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>SHAP (SHapley Additive exPlanations)<\/strong> ist ein leistungsf\u00e4higes und vielseitiges Werkzeug f\u00fcr die Interpretierbarkeit von Machine-Learning-Modellen. Basierend auf den Prinzipien der kooperativen Spieltheorie und des Shapley-Wertes bietet es eine rigorose Methode, um die Beitr\u00e4ge einzelner Merkmale in den Vorhersagen eines Modells aufzuschl\u00fcsseln und zu verstehen.<\/p><p>Die Verwendung der<strong> SHAP-Bibliothek in Python zeigt,<\/strong> wie einfach sie sich in den Data-Science-Workflow integrieren und implementieren l\u00e4sst. Da k\u00fcnstliche Intelligenz immer allgegenw\u00e4rtiger wird, kann man es sich au\u00dferdem nicht leisten, die Interpretierbarkeit von Modellen zu untersch\u00e4tzen.<\/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-45e87cc elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"45e87cc\" 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\">Bilde dich in SHAP weiter<\/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<div class=\"elementor-element elementor-element-27cc835 elementor-widget elementor-widget-html\" data-id=\"27cc835\" 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\": \"Was ist SHAP?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"SHAP basiert auf den Konzepten der kooperativen Spieltheorie und bietet eine strenge und intuitive Methode, um Modellvorhersagen in die individuellen Beitr\u00e4ge der einzelnen Merkmale zu zerlegen.\"\n    }\n  },{\n    \"@type\": \"Frage\",\n    \"name\": \"Warum SHAP?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Die F\u00e4higkeit, Entscheidungen zu verstehen und zu erkl\u00e4ren, die von Modellen der K\u00fcnstlichen Intelligenz oder des maschinellen Lernens getroffen werden, ist von entscheidender Bedeutung geworden. Diese hochentwickelten Technologien werden zunehmend in kritischen Bereichen wie dem Gesundheits-, Finanz- und Sicherheitswesen eingesetzt. L\u00f6sungen wie SHAP (SHapley Additive exPlanations) erleben einen rasanten Aufschwung.\"\n    }\n  },{\n    \"@type\": \"Frage\",\n    \"name\": \"Wie funktioniert SHAP?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Das Herzst\u00fcck von SHAP ist die Idee, eine bestimmte Vorhersage in eine Reihe von Werten zu zerlegen, die jedem Eingabemerkmal zugewiesen werden. Diese Werte werden so berechnet, dass sie den Einfluss jedes Merkmals auf die Abweichung zwischen der aktuellen Vorhersage und dem Durchschnitt der Vorhersagen \u00fcber den Datensatz widerspiegeln. Um dies zu erreichen, untersucht SHAP alle m\u00f6glichen Kombinationen von Merkmalen und deren Beitr\u00e4ge zur Vorhersage. Dieser Prozess nutzt den Shapley-Wert, den wir zuvor behandelt haben, um eine faire und genaue Verteilung der Auswirkungen unter den Merkmalen zu gew\u00e4hrleisten.\"\n    }\n  }]\n}\n<\/script>\n\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>Die F\u00e4higkeit, Entscheidungen zu verstehen und zu erkl\u00e4ren, die von Modellen der K\u00fcnstlichen Intelligenz oder des Machine Learning getroffen werden, ist von gr\u00f6\u00dfter Bedeutung geworden. Diese hochentwickelten Technologien werden zunehmend in kritische Bereiche wie das Gesundheitswesen, die Finanzwelt oder die Sicherheit integriert. L\u00f6sungen wie SHAP (SHapley Additive exPlanations) erleben einen rasanten Aufschwung. SHAP basiert auf [&hellip;]<\/p>\n","protected":false},"author":67,"featured_media":192709,"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>SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen<\/title>\n<meta name=\"description\" content=\"SHAP (SHapley Additive exPlanations) ist eine Technik zur Interpretierbarkeit von KI-Modellen, insbesondere von Machine-Learning-Modellen. Es wurde entwickelt, um die\" \/>\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\/shap-fuer-die-interpretierbarkeit-von-ki-modellen\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen\" \/>\n<meta property=\"og:description\" content=\"Die F\u00e4higkeit, Entscheidungen zu verstehen und zu erkl\u00e4ren, die von Modellen der K\u00fcnstlichen Intelligenz oder des Machine Learning getroffen werden, ist\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen\" \/>\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=\"2024-02-20T11:45:53+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-02-18T13:33:48+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/SHAP_datascientest-768x439-1.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"768\" \/>\n\t<meta property=\"og:image:height\" content=\"439\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\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=\"6 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen\"},\"author\":{\"name\":\"Melanie\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\"},\"headline\":\"SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen\",\"datePublished\":\"2024-02-20T11:45:53+00:00\",\"dateModified\":\"2024-02-18T13:33:48+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen\"},\"wordCount\":789,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen#respond\"]}],\"copyrightYear\":\"2024\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen\",\"url\":\"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen\",\"name\":\"SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/#website\"},\"datePublished\":\"2024-02-20T11:45:53+00:00\",\"dateModified\":\"2024-02-18T13:33:48+00:00\",\"description\":\"SHAP (SHapley Additive exPlanations) ist eine Technik zur Interpretierbarkeit von KI-Modellen, insbesondere von Machine-Learning-Modellen. Es wurde entwickelt, um die\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen\"]}]},{\"@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":"SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen","description":"SHAP (SHapley Additive exPlanations) ist eine Technik zur Interpretierbarkeit von KI-Modellen, insbesondere von Machine-Learning-Modellen. Es wurde entwickelt, um die","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\/shap-fuer-die-interpretierbarkeit-von-ki-modellen","og_locale":"de_DE","og_type":"article","og_title":"SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen","og_description":"Die F\u00e4higkeit, Entscheidungen zu verstehen und zu erkl\u00e4ren, die von Modellen der K\u00fcnstlichen Intelligenz oder des Machine Learning getroffen werden, ist","og_url":"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen","og_site_name":"Weiterbildung Data Science | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2024-02-20T11:45:53+00:00","article_modified_time":"2024-02-18T13:33:48+00:00","og_image":[{"width":768,"height":439,"url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/SHAP_datascientest-768x439-1.jpg","type":"image\/jpeg"}],"author":"Melanie","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Verfasst von":"Melanie","Gesch\u00e4tzte Lesezeit":"6 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen#article","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen"},"author":{"name":"Melanie","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d"},"headline":"SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen","datePublished":"2024-02-20T11:45:53+00:00","dateModified":"2024-02-18T13:33:48+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen"},"wordCount":789,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"articleSection":["Data Science"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen#respond"]}],"copyrightYear":"2024","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen","url":"https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen","name":"SHAP, f\u00fcr die Interpretierbarkeit von KI-Modellen","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/#website"},"datePublished":"2024-02-20T11:45:53+00:00","dateModified":"2024-02-18T13:33:48+00:00","description":"SHAP (SHapley Additive exPlanations) ist eine Technik zur Interpretierbarkeit von KI-Modellen, insbesondere von Machine-Learning-Modellen. Es wurde entwickelt, um die","inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/de\/shap-fuer-die-interpretierbarkeit-von-ki-modellen"]}]},{"@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\/192707"}],"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=192707"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/192707\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media\/192709"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media?parent=192707"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/categories?post=192707"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/tags?post=192707"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}