面向简约且可解释预测模型的特征量化
统计方法学
2019-03-22 v1 计量经济学
摘要
出于监管与可解释性原因，逻辑回归仍被广泛使用。为提高预测精度与可解释性，通常执行一个对连续型与分类型数据均进行量化的预处理步骤：连续特征被离散化，若数量众多，则分类型特征的水平被分组。通过将此量化估计步骤直接嵌入预测估计步骤本身，可达到更佳的预测精度。但如此一来，预测损失须在一个巨大集合上优化。为克服该困难，我们引入一种特定的两步优化策略：首先，用光滑函数逼近不连续量化函数以松弛优化问题；其次，通过一种特定的神经网络求解所得松弛优化问题。我们称之为 glmdisc 的该方法在来自 UCI 库与 Crédit Agricole Consumer Finance（欧洲消费信贷市场的主要历史参与者）的模拟与真实数据上展示了良好性能。
引用
@article{arxiv.1903.08920,
title = {Feature quantization for parsimonious and interpretable predictive models},
author = {Adrien Ehrhardt and Christophe Biernacki and Vincent Vandewalle and Philippe Heinrich},
journal= {arXiv preprint arXiv:1903.08920},
year = {2019}
}
备注
9 pages, 2 figures, 3 tables