超越TreeSHAP：树集成模型任意阶Shapley交互的高效计算
机器学习
2024-06-21 v1
摘要
尽管浅层决策树可能具有可解释性，但像梯度提升树这样的大型集成模型，虽然在涉及表格数据的机器学习问题中常达到最先进水平，却仍然是黑箱模型。作为一种补救措施，Shapley值（SV）是可解释人工智能（XAI）研究中一个众所周知的概念，用于量化预测的加性特征归因。模型特定的TreeSHAP方法解决了从树基模型中检索精确SV的指数级复杂度问题。超越单个特征归因，Shapley交互揭示了任意阶复杂特征交互的影响。在这项工作中，我们提出了TreeSHAP-IQ，这是一种高效的方法，用于计算树基模型预测的任意阶加性Shapley交互。TreeSHAP-IQ由一个数学框架支持，该框架利用多项式算术在树的单次递归遍历中计算交互分数，类似于Linear TreeSHAP。我们将TreeSHAP-IQ应用于最先进的树集成模型，并在公认的基准数据集上探索了特征交互。
引用
@article{arxiv.2401.12069,
title = {Beyond TreeSHAP: Efficient Computation of Any-Order Shapley Interactions for Tree Ensembles},
author = {Maximilian Muschalik and Fabian Fumagalli and Barbara Hammer and Eyke Hüllermeier},
journal= {arXiv preprint arXiv:2401.12069},
year = {2024}
}