探索并与一组优良稀疏广义加性模型进行交互
机器学习
2023-11-20 v3 人工智能
机器学习
摘要
在实际应用中，机器学习模型与领域专家之间的交互至关重要；然而，通常仅产生单一模型的经典机器学习范式并不利于此类交互。近似并探索 Rashomon 集（即所有近最优模型的集合）通过向用户提供包含一组多样化模型的可搜索空间来解决这一实际挑战，领域专家可从中进行选择。我们提出了高效且精确地用椭球近似固定支撑集下稀疏广义加性模型的 Rashomon 集的算法，并利用这些椭球来近似许多不同支撑集的 Rashomon 集。近似得到的 Rashomon 集可作为解决实际挑战的基石，例如（1）研究该模型类的变量重要性；（2）寻找满足用户指定约束（单调性、直接编辑）的模型；以及（3）考察形状函数的突变。实验证明了近似 Rashomon 集的保真度及其在解决实际挑战中的有效性。
引用
@article{arxiv.2303.16047,
title = {Exploring and Interacting with the Set of Good Sparse Generalized Additive Models},
author = {Chudi Zhong and Zhi Chen and Jiachang Liu and Margo Seltzer and Cynthia Rudin},
journal= {arXiv preprint arXiv:2303.16047},
year = {2023}
}
备注
NeurIPS 2023