DimVis：用可解释提升机解释降维中的视觉聚类
人机交互
2024-04-19 v2 机器学习
统计计算
摘要
降维(DR)技术如t-SNE和UMAP在将复杂数据集转换为更简单的视觉表示方面非常受欢迎。然而，这些方法虽然有效地揭示了一般数据集模式，却可能引入制图并存在可解释性问题。本文提出DimVis，一种可视化工具，采用监督可解释提升机(EBM)模型(针对用户选定的感兴趣数据训练)作为降维投影的解释助手。我们的工具通过交互式探索UMAP投影，为DR投影中的视觉聚类提供特征相关性解释。具体而言，DimVis使用对比度EBM模型，该模型在实时内训练，以区分感兴趣聚类内外的数据。利用EBM固有的可解释性，我们随后通过基于EBM模型特征重要性的单特征和双特征比较来解释该聚类本身。我们通过一个实际案例和一个使用情景演示了DimVis的适用性和有效性。我们还讨论了局限性及未来研究的潜在方向。
引用
@article{arxiv.2402.06885,
title = {DimVis: Interpreting Visual Clusters in Dimensionality Reduction With Explainable Boosting Machine},
author = {Parisa Salmanian and Angelos Chatzimparmpas and Ali Can Karaca and Rafael M. Martins},
journal= {arXiv preprint arXiv:2402.06885},
year = {2024}
}
备注
This manuscript is accepted for publication in EuroVis 2024 MLVis Workshop