通过径向可视化促进机器学习模型比较与解释
机器学习
2021-04-16 v1 人机交互
摘要
为数据集构建有效的机器学习（ML）模型是一项涉及多个步骤的困难任务。其中最重要的步骤之一是比较生成的大量 ML 模型，以找到用于部署的最优模型。比较具有动态数量特征的此类模型具有挑战性。比较不仅仅是发现 ML 模型性能的差异，用户还对特征与模型性能之间的关系感兴趣，例如用于 ML 解释的特征重要性。本文提出 RadialNet Chart，一种新颖的可视化方法，用于在揭示隐式依赖关系的同时比较使用给定数据集不同数量特征训练的 ML 模型。在 RadialNet Chart 中，ML 模型与特征分别由线与弧表示。这些线通过递归函数有效生成。具有动态数量特征的 ML 模型的依赖关系被编码到可视化结构中，其中 ML 模型及其依赖特征直接从相关线连接中揭示。ML 模型性能信息在 RadialNet Chart 中通过颜色与线宽编码。结合可视化结构，特征重要性可在 RadialNet Chart 中直接辨识以用于 ML 解释。
引用
@article{arxiv.2104.07377,
title = {Facilitating Machine Learning Model Comparison and Explanation Through A Radial Visualisation},
author = {Jianlong Zhou and Weidong Huang and Fang Chen},
journal= {arXiv preprint arXiv:2104.07377},
year = {2021}
}