Tsetlin机器的全局与局部解释的闭式表达及其在高维数据解释中的应用
机器学习
2020-07-29 v1 人工智能
机器学习
摘要
Tsetlin机器（TMs）利用命题逻辑中的合取子句捕捉模式，从而便于解释。然而，近期基于TM的方法主要依赖逐一检查全部子句。这种检查未必能扩展到需要大量子句的复杂预测问题。本文中，我们提出用于理解TM模型为何做出特定预测（局部可解释性）的闭式表达。此外，这些表达捕捉了模型整体最重要的特征（全局可解释性）。我们进一步引入用于度量连续特征的特征值区间重要性的表达。这些表达直接由TM的合取子句给出，使得能够在实时中捕捉特征的作用，也可在学习过程中随模型演化进行。此外，由闭式表达我们推导出一种新颖的数据聚类算法，用于将高维数据可视化于三维中。最后，我们将所提方法与SHAP及最先进的可解释机器学习技术比较。对于分类与回归，我们的评估显示出与SHAP的一致性，以及与XGBoost、可解释提升机和神经加性模型相比具有竞争力的预测精度。
引用
@article{arxiv.2007.13885,
title = {Closed-Form Expressions for Global and Local Interpretation of Tsetlin Machines with Applications to Explaining High-Dimensional Data},
author = {Christian D. Blakely and Ole-Christoffer Granmo},
journal= {arXiv preprint arXiv:2007.13885},
year = {2020}
}