面向非线性学习算法的特征重要性度量
人工智能
2016-11-24 v1 机器学习
机器学习
摘要
复杂问题可能需要复杂的非线性学习方法，如核机器或深度神经网络，以达到最先进的预测精度。然而，在使用机器学习解决问题时，高预测精度并非唯一需要考虑的目标。相反，特定的科学应用需要对所学到的预测函数进行一定的解释。不幸的是，大多数方法并不提供开箱即用的直接解释。即使线性预测函数，如果特征表现出复杂的相关结构，也不容易解释。在本文中，我们提出了特征重要性度量（MFI）。MFI 是通用的，可应用于任何任意的学习机器（包括核机器和深度学习）。MFI 本质上是非线性的，能够检测出那些本身不显著、仅通过与其他特征的相互作用来影响预测函数的特征。最后，MFI 既可用于基于模型的特征重要性，也可用于基于实例的特征重要性（即，衡量某个特征对特定数据点的重要性）。
引用
@article{arxiv.1611.07567,
title = {Feature Importance Measure for Non-linear Learning Algorithms},
author = {Marina M. -C. Vidovic and Nico Görnitz and Klaus-Robert Müller and Marius Kloft},
journal= {arXiv preprint arXiv:1611.07567},
year = {2016}
}
备注
Presented at NIPS 2016 Workshop on Interpretable Machine Learning in Complex Systems