通过整合基于数据的先验信息增强黑箱软间隔 SVM 的可解释性
机器学习
2019-02-05 v2 机器学习
摘要
可解释性的缺乏常常使得黑箱模型难以应用于许多实际领域。为此，当前工作从黑箱模型的输入端入手，提出将基于数据的先验信息融入黑箱软间隔 SVM 模型以增强其可解释性。依次发展了基于数据的先验信息的概念和融入机制，在此基础上设计了解释性或部分可解释的 SVM 优化模型，然后通过将该优化问题巧妙地改写为非线性二次规划问题进行求解。还提出了一种从数据集中挖掘基于数据的线性先验信息的算法，该算法生成一个关于从系统所有输入中识别出的两个合适输入的线性表达式。最后，将所提出的可解释性增强策略应用于八个基准示例以展示其有效性。
引用
@article{arxiv.1710.02924,
title = {Enhancing Interpretability of Black-box Soft-margin SVM by Integrating Data-based Priors},
author = {Shaohan Chen and Chuanhou Gao and Ping Zhang},
journal= {arXiv preprint arXiv:1710.02924},
year = {2019}
}