基于因果性的特征重要性量化方法：PN-FI、PS-FI与PNS-FI
人工智能
2023-09-19 v2
摘要
在当前ML领域，模型变得越来越大且复杂，用于模型训练的数据量也越来越大、维度越来越高。因此，为了训练更好的模型并节省训练时间和计算资源，预处理阶段良好的特征选择(FS)方法是必要的。特征重要性(FI)至关重要，因为它是特征选择的基础。因此，本文创造性地将因果性中的PN(必要性概率)、PS(充分性概率)和PNS(必要且充分性概率)的计算引入特征重要性量化，并创建了3种新的FI度量方法：PN-FI，表示特征在图像识别任务中的重要性；PS-FI，表示特征在图像生成任务中的重要性；以及PNS-FI，同时度量两者。本文主体为三个随机对照试验(RCT)，通过其结果显示了狗鼻、狗眼和狗嘴这3个特征的PS-FI、PN-FI和PNS-FI是如何计算的。实验表明：首先，FI值为具有紧密上下界的区间。其次，狗眼特征最重要，而另外两个特征重要性几乎相同。第三，PNS和PN的界比PS的界更紧。
引用
@article{arxiv.2308.14474,
title = {Causality-Based Feature Importance Quantifying Methods: PN-FI, PS-FI and PNS-FI},
author = {Shuxian Du and Yaxiu Sun and Changyi Du},
journal= {arXiv preprint arXiv:2308.14474},
year = {2023}
}
备注
7 pages