一种用于可解释性的双重惩罚模型
统计方法学
2019-09-16 v1
摘要
现代统计学习技术往往强调预测性能而非可解释性，产生了难以理解且难以推广到其他环境的“黑箱”模型。我们在概念上将预测模型划分为可解释与不可解释部分，以产生具有高度可解释性且性能损失很小的模型。该模型的实现通过考虑可解释与不可解释部分的可分性，以及用于模型拟合的双重惩罚过程来实现。我们给出了通过循环坐标上升可实现模型估计收敛以及模型估计一致性的条件。我们将该方法应用于微生物组宿主性状预测和糖尿病性状的数据集，并讨论了用于选择高可解释性模型的实用权衡诊断。
引用
@article{arxiv.1909.06263,
title = {A Double Penalty Model for Interpretability},
author = {Wenjia Wang and Yi-Hui Zhou},
journal= {arXiv preprint arXiv:1909.06263},
year = {2019}
}