DPPred：一种具有简洁判别模式的有效预测框架
机器学习
2016-11-01 v1 人工智能
摘要
在文献中，已提出两类模型来解决包括分类和回归在内的预测问题。简单模型（如广义线性模型）在简单特征集上具有普通的表现性能但具有很强的可解释性。另一类模型（包括基于树的模型）将数值、分类和高维特征组织成具有丰富可解释信息的综合结构。在本文中，我们提出了一种新颖的基于判别模式的预测框架（DPPred），通过结合两者的有效性和可解释性优势来完成预测任务。具体而言，DPPred 采用了基于树的模型中从根节点到叶节点的前缀路径上的简洁判别模式。DPPred 通过搜索最有效的模式组合来拟合广义线性模型，从而选择有限数量的有用判别模式。大量实验表明，在许多场景中，DPPred 提供了与最先进技术（SOTA）相当的准确性，同时为开发者和专家提供了宝贵的可解释性。特别是，以临床应用程序数据集为例，我们的 DPPred 仅使用潜在指数级大模式集中的 40 个简洁判别模式，就优于基线模型。
引用
@article{arxiv.1610.09778,
title = {DPPred: An Effective Prediction Framework with Concise Discriminative Patterns},
author = {Jingbo Shang and Meng Jiang and Wenzhu Tong and Jinfeng Xiao and Jian Peng and Jiawei Han},
journal= {arXiv preprint arXiv:1610.09778},
year = {2016}
}