基于 SHAP 并考虑交互效应的机器学习结肠癌模型解释
机器学习
2022-08-08 v1
摘要
在决策过程中使用机器学习技术时，模型的可解释性十分重要。Shapley 加性解释（SHAP）是机器学习模型最有前景的解释方法之一。当一个变量的效应依赖于另一变量的值时，便产生交互效应。即使每个变量对结果影响甚微，其组合也可能对结果产生意料之外的大影响。理解交互对理解机器学习模型很重要；然而，朴素 SHAP 分析无法区分主效应与交互效应。在本文中，我们引入 Shapley-Taylor 指数作为使用 SHAP 并考虑交互效应的机器学习模型解释方法。我们将该方法应用于九州大学医院的癌症队列数据（N=29,080），以分析何种因素组合有助于结肠癌风险。
引用
@article{arxiv.2208.03112,
title = {Explanation of Machine Learning Models of Colon Cancer Using SHAP Considering Interaction Effects},
author = {Yasunobu Nohara and Toyoshi Inoguchi and Chinatsu Nojiri and Naoki Nakashima},
journal= {arXiv preprint arXiv:2208.03112},
year = {2022}
}