随机森林的基于案例的可解释性：原型、批评样本、反事实样本与半事实样本

黑箱机器学习算法的可解释性，俗称可解释人工智能（XAI），由于监管要求和商业实践透明性的需要，对金融和其他受监管的工业应用已变得至关重要。在各种XAI范式中，基于案例的可解释推理（XCBR）是一种务实的方法，通过引用用于训练或测试模型的实际数据样本来阐明模型的输出。尽管其潜力巨大，XCBR在许多算法（如基于树的模型）中直到最近才得到相对充分的探索。我们首先观察到，大多数XCBR方法是基于算法学习到的距离度量定义的。通过利用一种最近提出的从随机森林（RF）中提取距离度量的技术——该技术同时保持几何结构和准确性——我们研究了各种XCBR方法。这些方法旨在从训练数据集中识别特殊点，如原型、批评样本、反事实样本和半事实样本，以解释随机森林对给定查询的预测。我们使用各种评估指标对这些特殊点进行了评估，以衡量其解释能力和有效性。