一种基于可解释神经网络的非比例优势序数回归模型

Akifumi Okuno; Kazuharu Harada

一种基于可解释神经网络的非比例优势序数回归模型

统计方法学 2024-03-13 v4 机器学习机器学习

作者: Akifumi Okuno , Kazuharu Harada

摘要

本研究提出一种基于可解释神经网络的非比例优势模型(N $^3$ POM)用于序数回归。N $^3$ POM在若干方面不同于传统的非比例模型序数回归方法：(1) N $^3$ POM对连续与离散响应均适用，而标准方法通常将有序连续变量当作离散变量处理；(2) 不同于传统方法从离散响应估计线性模型的响应依赖有限维系数，我们训练一个非线性神经网络作为系数函数。得益于神经网络，N $^3$ POM在保持传统序数回归可解释性的同时提供了灵活性。我们建立了预测条件累积概率在协变量空间中用户指定区域上局部满足单调性约束的充分条件。此外，我们提供了一种保单调随机(MPS)算法以有效训练该神经网络。我们将N $^3$ POM应用于多个真实数据集。

关键词

序数回归非比例优势神经网络可解释性单调性累积概率

引用

@article{arxiv.2303.17823,
  title  = {An interpretable neural network-based non-proportional odds model for ordinal regression},
  author = {Akifumi Okuno and Kazuharu Harada},
  journal= {arXiv preprint arXiv:2303.17823},
  year   = {2024}
}

备注

35 pages, 18 figures, accepted to Journal of Computational and Graphical Statistics

一种基于可解释神经网络的非比例优势序数回归模型

摘要

关键词

引用

备注

相关论文