基于特征交互的全局特征效应分解
机器学习
2024-12-18 v3 机器学习
摘要
全局特征效应方法，如偏依赖图，提供了对期望边际特征效应的可理解可视化。然而，当存在特征交互时，此类全局特征效应方法可能产生误导，因为它们不能很好地代表单个观测的局部特征效应。我们正式引入全局效应的广义加性分解（GADGET），这是一种基于递归划分的新框架，用于在特征空间中寻找可解释区域，使局部特征效应的交互相关异质性最小化。我们提供了该框架的数学基础，并表明它适用于最流行的边际特征效应可视化方法，即偏依赖、累积局部效应和 Shapley 加性解释（SHAP）依赖。此外，我们引入并验证了一种新的基于置换的交互检测过程，适用于任何契合我们所提框架的特征效应方法。我们在不同实验设置下基于多种特征效应方法对所述方法的理论特性进行经验评估。此外，我们将所介绍的方法应用于三个真实世界示例以展示其实用性。
引用
@article{arxiv.2306.00541,
title = {Decomposing Global Feature Effects Based on Feature Interactions},
author = {Julia Herbinger and Marvin N. Wright and Thomas Nagler and Bernd Bischl and Giuseppe Casalicchio},
journal= {arXiv preprint arXiv:2306.00541},
year = {2024}
}