机器学习解释中的不确定性传达：一种面向预测性过程监控的可视化分析方法
机器学习
2023-04-13 v1 人工智能
应用统计
摘要
随着数据驱动的智能系统的发展，对可靠且透明的决策机制的需求变得日益重要。因此，将不确定性量化与模型可解释性方法相结合，以推动可信的业务与运营过程分析至关重要。本研究探讨了如何在全局与局部事后解释方法（如部分依赖图（PDP）与个体条件期望（ICE）图）中有效传达模型不确定性。此外，本研究考察了适宜的可视化分析方法以促进此类方法学整合。通过结合这两个研究方向，决策者不仅能够论证由解释驱动的可操作洞察的合理性，还能验证其可靠性。最后，本研究包含专家访谈，以评估所提方法及所设计界面在制造领域真实世界预测性过程监控问题中的适用性。
引用
@article{arxiv.2304.05736,
title = {Communicating Uncertainty in Machine Learning Explanations: A Visualization Analytics Approach for Predictive Process Monitoring},
author = {Nijat Mehdiyev and Maxim Majlatow and Peter Fettke},
journal= {arXiv preprint arXiv:2304.05736},
year = {2023}
}