解释随机森林模型方法的调查与分类

随机森林（RF）模型的可解释性是机器学习（ML）社区中日益受到关注的研究主题。在当前先进水平上，RF被认为是一个具有预测性能、灵活性和易用性的强大的学习集成。此外，由于RF模型使用直观且易于理解的方法构建RF决策树集，RF模型的内部过程是可理解的。然而，由于其众多深层决策树，所得的RF模型被视为“黑盒”。探索每个决策树以洞察最终决定所产生的整个过程是复杂的，甚至不可能。这种复杂性限制了RF模型在多个应用领域的接受度和实施。已有多篇论文针对RF模型的解释性问题。本文旨在为文献中用于解释RF所得模型的方法提供详尽的综述。我们对这些方法进行了分析，并基于不同的轴线对其进行分类。虽然本综述并非穷尽，但它提供了各种技术的分类框架，应该指导用户根据所寻求的可解释性方面，选择最合适的工具来解释RF模型。这也对致力于RF或更广泛机器学习黑盒模型可解释性的研究者具有重要价值。