朴素贝叶斯分类器的高效 Shapley 值计算
机器学习
2023-08-01 v1 机器学习
摘要
机器学习模型输入变量的变量选择或重要性度量已成为大量研究的焦点。仅拥有一个良好的模型已不再足够，还必须解释其决策。这正是当今存在众多可解释性算法的缘故。其中，Shapley 值估计算法是基于合作博弈论的可解释性方法。就朴素贝叶斯分类器而言，据我们所知，尚不存在 Shapley 值的“解析”表达。本文针对朴素贝叶斯分类器的特殊情况，提出了 Shapley 值的精确解析表达式。我们从解析上将该 Shapley 方案与另一种常用指标——证据权重（Weight of Evidence, WoE）进行比较，并在真实世界数据集上对我们的方案与（i）WoE 以及（ii）KernelShap 结果进行实证比较，讨论相似与不同之处。结果表明，我们针对朴素贝叶斯分类器的 Shapley 方案可提供信息丰富的结果且算法复杂度低，从而能够用于极大型数据集并以极短的计算时间完成。
引用
@article{arxiv.2307.16718,
title = {An Efficient Shapley Value Computation for the Naive Bayes Classifier},
author = {Vincent Lemaire and Fabrice Clérot and Marc Boullé},
journal= {arXiv preprint arXiv:2307.16718},
year = {2023}
}
备注
15 pages, 3 figures