使用 Shapley 值解释降维结果
机器学习
2021-03-11 v1 图形学
摘要
降维（DR）技术一直在各类应用中持续支撑高维数据分析。除这些技术揭示的模式外，基于各特征对低维表示的贡献来解释 DR 结果，可通过探索性分析支持新发现。当前文献中设计用于解释 DR 技术的方法不能很好地解释特征的贡献，因为它们仅关注低维表示或未考虑特征间关系。本文提出 ClusterShapley 以解决这些问题，利用 Shapley 值生成降维技术的解释，并采用面向聚类的分析来解释这些算法。ClusterShapley 解释了聚类的形成及其关系的含义，这对于各领域的探索性数据分析十分有用。我们提出新的可视化技术以引导理解特征对聚类形成的贡献，并通过公开可用数据集的案例研究验证我们的方法。结果展示了我们的方法在利用 DR 结果生成关于不同条件下病理与患者洞察时的可解释性与分析能力。
引用
@article{arxiv.2103.05678,
title = {Explaining dimensionality reduction results using Shapley values},
author = {Wilson Estécio Marcílio Júnior and Danilo Medeiros Eler},
journal= {arXiv preprint arXiv:2103.05678},
year = {2021}
}