随机森林的结论性局部解释规则

在涉及歧视、性别不平等、经济损失甚至人员伤亡的关键情境中，机器学习模型必须能为其决策提供清晰解释。否则，其不透明的决策过程会在干扰人们生活时引发社会伦理问题。在上述领域中随机森林算法表现优异，因此其自我解释能力是一项明确要求。本文提出LionForests，它基于我们此前的一项初步工作。LionForests是一种随机森林专用的解释技术，提供规则作为解释。它适用于从二分类任务到多类分类和回归任务，并拥有稳定的理论背景支撑。我们还进行了包含敏感性分析及与前沿技术比较的实验，以证明我们所做贡献的有效性。最后，我们强调了LionForests的一个独特属性，称为结论性(conclusiveness)，它提供解释有效性并使之区别于以往技术。