机器学习中的常见步骤可能阻碍医学中的可解释性目标
机器学习
2024-09-04 v1 计算机与社会
摘要
数据预处理是机器学习中的重要步骤，用于提高模型性能并降低运行时间。这可能包括处理缺失值、检测并删除异常值、数据增强、降维、数据归一化以及处理混杂变量的影响。尽管发现这些步骤会提高模型的准确率，但如果不小心考虑，可能会阻碍模型的可解释性，尤其是在医学领域。它们可能因处理不当而阻止新的发现发现，尤其是在缺失值和异常值删除方面。此外，它们可能在做出决策时对模型中的所有组不公平。此外，它们会将特征转化为无量纲且临床上无意义的特征，从而导致不可解释。本文讨论了机器学习中数据预处理的常见步骤及其对模型可解释性和可解释性的影响。最后，本文讨论了一些可能在提高模型性能的同时不降低其可解释性的可能解决方案。
引用
@article{arxiv.2409.00155,
title = {Common Steps in Machine Learning Might Hinder The Explainability Aims in Medicine},
author = {Ahmed M Salih},
journal= {arXiv preprint arXiv:2409.00155},
year = {2024}
}