通过特征规则解释预测

在规则学习领域，特征规则因其能够提高可解释性而优于判别规则。然而，前一种规则尚未被用于解释预测的技术中。本文提出了一种新颖的解释技术，称为CEGA（特征解释性通用关联规则），它采用关联规则挖掘将任何标准局部解释技术生成的多个解释聚合成一组特征规则。我们进行了一项实证研究，将CEGA与两种最先进的方法Anchors和GLocalX进行比较，这两种方法用于生成判别规则形式的局部和聚合解释。结果表明，与两种最先进的方法相比，所提出的方法在保真度和复杂度之间提供了更好的权衡；CEGA和Anchors在保真度上显著优于GLocalX，而CEGA和GLocalX在生成规则数量上显著优于Anchors。我们还研究了将CEGA的解释格式改为判别规则以及使用LIME和SHAP作为局部解释技术替代Anchors的效果。结果表明，特征解释规则仍然与标准判别格式的规则具有竞争力。结果还表明，使用CEGA结合SHAP或Anchors相比使用LIME作为局部解释技术，始终能获得更高的保真度。