تفسير نموذج أشجار بقيم SHAP
معرفة السمات الأكثر تأثيراً عالمياً ولعينة واحدة.
الهدف: إظهار المناطق التي اعتمدت عليها الشبكة في قرارها.
import torch
from torch import nn
from captum.attr import LayerAttribution, LayerGradCam
torch.manual_seed(0)
net = nn.Sequential(nn.Conv2d(1, 8, 3, padding=1), nn.ReLU(), nn.Conv2d(8, 16, 3, padding=1), nn.ReLU(),
nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Linear(16, 2)).eval()
img = torch.rand(1, 1, 64, 64)
cam = LayerGradCam(net, net[2]).attribute(img, target=1)
up = LayerAttribution.interpolate(cam, (64, 64))
print("شكل خريطة الطبقة:", tuple(cam.shape), "→ بعد التكبير:", tuple(up.shape))
print(f"المجال: [{up.min().item():.4f}, {up.max().item():.4f}]")
LayerGradCam يأخذ آخر طبقة التفافية، ويوزن خرائط السمات بمتوسط تدرجاتها، ثم نكبّر الخريطة إلى حجم الصورة. هنا نستخدم شبكة غير مدربة لتوضيح الأبعاد؛ مع نموذجك المدرب تُعرض الخريطة فوق الصورة الطبية.
شكل خريطة الطبقة: (1, 1, 64, 64) → بعد التكبير: (1, 1, 64, 64) المجال: [-0.0000, 0.0000]
نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — captum 0.9.0, torch 2.15.0, python 3.13.18
معرفة السمات الأكثر تأثيراً عالمياً ولعينة واحدة.
معرفة لماذا صنّف النموذج عينة معينة.
نسب تنبؤ الشبكة إلى سمات المدخل مع التحقق من بديهية الاكتمال.
الأقسام
لا يوجد قسم بهذا الاسم. اضغط «بحث» للبحث في محتوى الموقع كله.
المفضلة
نتائجي وشهاداتي
تقدّمي في الأكاديميةنتائج اختباراتيتقدّم الأطفالشهادات الأكاديميةشهادات الاختباراتابدأ أي درس أو اختبار وسيظهر هنا لتعود إليه بسرعة.
الإعدادات
أنا المساعد الذكي لأطر ومكتبات الذكاء الاصطناعي. صف مشروعك أو اسألني عن مكتبة أو مقارنة أو مثال برمجي، وسأجيبك من قاعدة بيانات الموسوعة مع الروابط والمصادر.
يجيب من قاعدة بيانات الموسوعة فقط، دون نموذج لغوي ودون إرسال سؤالك إلى أي جهة خارجية.
قد يخطئ المساعد أحياناً، فراجع المصادر المرفقة.