# 计算Shapley值在Python中的应用
Shapley值是一种用来衡量合作博弈中每个玩家对最终结果的贡献的方法。在数据科学领域，Shapley值被广泛应用于解释机器学习模型的预测结果，帮助理解每个特征对结果的影响程度。在本文中，我们将介绍如何在Python中计算Shapley值，并展示一个简单的示例。
## 什么是Shapley值？
Shapley值最初由Lloyd Shapley提
原创
2024-04-20 04:36:39
391阅读
# 如何在Python中实现Shapley值法
## 一、背景知识
Shapley值（Shapley Value）是博弈论中的一种解决方案，用于分配合作收益。它衡量了每位参与者对整体收益的贡献，能公平地分配利益。在机器学习和数据科学中，Shapley值被广泛应用于特征重要性分析。
### 流程概述
为了在Python中实现Shapley值法，以下是具体的步骤流程：
| 步骤 | 描述
原创
2024-10-04 07:25:07
282阅读
本文摘自以下文献，为个人学习笔记摘抄：最初的联邦学习体系中，参与者之间必须保证数据的
转载
2022-09-25 00:06:37
454阅读
本期分享的论文是由Dinh C. Nguyen等人在2021年发表在IEEE Internet of Things Journal的文章《Federated Learning Meets Blockchain in Edge Computing Opportunities and Challenges》。
区块链与联邦学习综述本期分享的论文是由Dinh C.
转载
2024-05-01 21:35:24
180阅读
算法的复杂度 算法（Algorithm）简单来说，就是能在有限时间内对输入进行正确处理，并输出结果的一系列指令的集合。衡量一个算法优劣的我们可以从时间和空间两个维度来展开。算法的时间复杂度 由于不同硬件设备上算法的执行时间差异可能就会比较大，此时直接使用算法的执行时间来表示算法的优劣就显得不那么可靠。那么，我们怎么从时间这个维度来评价一个算法的优劣呢？我们就需要先了解一下算法的时间复杂度的概念
转载
2024-06-13 22:01:21
86阅读
导语：在集体合作中，如何公平分配奖励？图片来源：https://unsplash.com/photos/TL5Vy1IM-uA我第一次听说 Shapley 值是在学习模型可解释性的时候。我知道了 SHAP，它是一个框架，可以更好地理解为什么机器学习模型会那样运行。事实证明，Shapley 值已经存在了一段时间，它们最早起源于 1953 年的博弈论领域，目的是解决以下情况：一群拥...
转载
2019-11-16 11:15:05
263阅读
# 如何实现“Shapley python”
## 一、整体流程
首先，我们来看一下实现“Shapley python”的整体流程，可以用以下表格展示：
| 步骤 | 描述 |
| --- | --- |
| 1 | 准备数据 |
| 2 | 计算Shapley值 |
| 3 | 可视化结果 |
## 二、具体步骤
### 1. 准备数据
在这一步，我们需要准备数据，通常是一个包含特征
原创
2024-04-05 06:08:46
73阅读
随着计算机算力的提升，机器学习作为海量数据的分析处理技术，已经广泛服务于人类社会。
转载
2022-09-25 00:06:50
1852阅读
'''
加密可以保护消息安全，以便验证其正确性并保护消息不被截获。
python的加密支持包括hashlib和hmac，hashlib使用标准算法生成消息内容签名，hmac则用于验证消息在传输过程中未被修改
''' （一）hashlib：密码散列'''
hashlib模块定义了一个api来访问不同的密码散列算法。
要使用一个特定的散列算法，可以用适当的构造器函数或者new方法来创建一个散列对象。
董付国老师Python系列教材（累计印刷超过200次）推荐与选用参考开学第一课：一定不要这样问老师Python问题3000技术文章...
转载
2024-06-27 09:52:40
31阅读
“数据孤岛”简单的讲，各组织都持有各自的数据，这些数据之间互有关系但又独立存储于各组织。出于安全性、合规性等方面考虑，各组织只能查询、使用己方数据，无法交换其它组织的数据。在联邦学习出现前，针对数据隐私保护的密码学已应用于本地数据机器学习，随着“数据孤岛”问题的浮现，联邦学习的概念出现并发展的日益成熟。
转载
2023-08-10 14:29:10
168阅读
数据资产已经成为产品和服务设计的关键工具，但是集中采集用户数据会使个人隐私面
原创
2022-09-17 07:47:37
207阅读
联邦学习（Federated Learning）
联邦学习简介 联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展
转载
2023-06-02 21:56:10
291阅读
联邦学习的概念最初由谷歌在2016年提出，在中国，香港科技大学讲席教授、微众银行首席人工智能官（CAIO）杨强教授算是联邦学习研究第一人。之后包括微众银行、腾讯、平安科技、华为、京东等在内的国内企业和机构推动联邦学习进入了学术研究与行业落地新阶段。联邦学习之所以能够在如此短的时间里迅速由一个构想变为一门学科，主要因为它可以让参与各方在不披露底层数据的前提下共建模型，之后利用整个数据联邦内...
转载
2020-01-23 08:15:02
292阅读
一、联邦学习的定义 横向联邦学习和纵向联邦学习要求所有的参与方具有相同的特征空间或样本空间，从而建立起一个有效的共享机器学习模型。然而，在更多的实际情况下，各个参与方所拥有的数据集可能存在高度的差异，例如：参与方的数据集之间可能只有少量的重叠样本和特征，并且这些数据集的规模与分布情况可能差别很大，此时横向联邦学习与纵向联邦学习就不是很适合了。在这种情况下，通过迁移学习技术，使其可以应用于
横向联邦学习也称为按样本划分的联邦学习，可以应用于联邦学习的各个参与方的数据集
原创
精选
2023-04-01 08:22:30
1849阅读
海量训练数据是现代机器学习算法、人工智能技术在各个领域中应用获得成功的重要条件。例如，计算机视觉和电子商务推荐系统中的 AI 算法都依赖于大规模的标记良好的数据集才能获得较好的处理效果，如 ImageNet 等。然而在一些应用领域中，例如医学领域、经济学领域以及一些政务信息化领域中，海量的可用训练数据往往是非常有限的。存在这些问题的主要原因：一是，针对机器学习算法的数据标注任务需要专业的知识和经验
原创
2021-04-12 17:31:45
118阅读
联邦学习简介背景国际社会上对信息安全、个人隐私的问题越来越重视，各种相关的法案相继颁布，对私人数据的管理、监督、保护更加全面化、严格化、密集化。各个公司对各自的数据也越来越重视，作为资产不可能拿出来分享，这就造成了数据孤岛的现象。同时与传统的机器学习（machine learning）和深度学习（deep learning）方法相矛盾的是，传统的方法需要集合大量的数据才能训练出足够准确的模型。怎么
转载
2023-12-01 22:24:09
70阅读
2020-11-18 13:40:43机器之心分析师网络作者：仵冀颖编辑：H4O在这篇文章中，作者通过 4 篇论文详细介绍了联邦学习中的联邦迁移学习问题，并探讨了向能获得较好的处理效果，如 ImageNet 等。然而在一些应用领域中，例如医学领域、经济学领域以及一些政务信息化领域中，
转载
2020-11-26 12:15:21
1176阅读
https://github.com/tushar-semwal/awesome-federated-computing
原创
2021-06-29 10:36:57
925阅读
