通过特征图增强基于规则的分类器的可解释性
机器学习
2025-06-18 v1 人工智能
摘要
在透明性和可信度至关重要的领域，如医疗健康，基于规则的系统被广泛使用，并因其固有的可解释性而常被优先选作决策支持系统。然而，随着基于规则的模型日益复杂，识别关键特征、理解其交互关系，以及比较不同规则集之间的特征贡献变得具有挑战性。为解决这一问题，我们提出了一套全面的框架，用于估计基于规则系统中的特征贡献，引入了一种基于图的特征可视化策略、一种对基于规则的预测器无关的新型特征重要性度量，以及一种基于特征贡献比较规则集的距离度量。通过在两个临床数据集和四种基于规则的方法（决策树、逻辑学习机、关联规则和带规则提取的神经网络）上进行实验，我们展示了该方法在数据集和类别特定层面上揭示临床特征组合预测价值的新见解的能力。这些见解有助于识别新的风险因素、特征基因和潜在生物标志物，并确定应优先关注的患者信息子集以提升诊断准确性。在15个公开基准数据集上，将所提出的特征重要性分数与最先进方法进行比较，展示了具有竞争力的性能和优越的鲁棒性。该方法的实现代码可在 GitHub 上获取：https://github.com/ChristelSirocchi/rule-graph。
引用
@article{arxiv.2506.13903,
title = {Enhancing interpretability of rule-based classifiers through feature graphs},
author = {Christel Sirocchi and Damiano Verda},
journal= {arXiv preprint arXiv:2506.13903},
year = {2025}
}