全局特征重要性的直接成分与关联成分分解（DEDACT）
机器学习
2021-06-16 v1 机器学习
摘要
全局模型无关特征重要性度量要么量化特征是否直接用于模型预测（直接重要性），要么量化特征是否包含与预测相关的信息（关联重要性）。直接重要性提供对模型机制的因果洞察，但无法揭示来自关联但未被直接使用的变量的信息泄漏。相反，关联重要性揭示信息泄漏，但不提供对模型机制的因果洞察。我们提出 DEDACT——一个将成熟的直接与关联重要性度量分解为其各自的关联成分与直接成分的框架。DEDACT 既揭示数据中与预测相关信息来源，也揭示信息进入模型的直接与间接特征路径。我们在模拟示例上展示了该方法的实用性。
引用
@article{arxiv.2106.08086,
title = {Decomposition of Global Feature Importance into Direct and Associative Components (DEDACT)},
author = {Gunnar König and Timo Freiesleben and Bernd Bischl and Giuseppe Casalicchio and Moritz Grosse-Wentrup},
journal= {arXiv preprint arXiv:2106.08086},
year = {2021}
}