一种交互式机器学习框架

机器学习（ML）被认为是从海量数据中构建可靠预测模型或提取有用结构的有效且高效的工具。然而，ML 也因其难以解释和复杂的参数调优而受到批评。相比之下，可视化能够很好地组织并以视觉方式编码数据中纠缠的信息，引导受众进行更简单的感知推理和分析思考。但大规模和高维数据通常会导致许多可视化方法的失败。在本文中，我们通过 ML 算法与用户之间的交互，在 ML 与可视化之间形成一个闭环，使机器智能与人类智能能够以互利的方式协作并相互提升。特别地，我们提出了“透明提升树（TBT）”，它将梯度提升树学习过程中每一步的模型结构和预测统计信息可视化给用户，并将用户对树的反馈操作纳入学习过程。在 TBT 中，ML 负责更新学习模型中的权重，并从大数据中筛选展示给用户的信息，而可视化则负责提供对 ML 模型的视觉理解，以促进用户探索。它结合了 ML 在大数据统计方面的优势与人类在基于领域知识进行决策方面的优势。我们为这种新颖的学习方法开发了一个用户友好的界面，并将其应用于两个从实际应用中收集的数据集。我们的研究表明，通过使用交互式可视化使 ML 透明化，可以显著改善对 ML 算法的探索，产生对 ML 模型的新颖见解，并融合机器与人类智能。