从预测重要性到因果性：哪种机器学习模型才能真实反映现实？
机器学习
2024-09-25 v2 人工智能
摘要
本研究使用CatBoost和LightGBM模型分析Ames Housing数据集，探讨房价预测中特征重要性和因果关系。我们检验了SHAP值与EconML预测之间的相关性，实现了高准确率的价格预测。我们的分析显示，SHAP基于特征重要性与因果显著特征之间存在中等斯珀曼秩相关系数0.48，这凸显了在房地产市场分析中将预测建模与因果理解对齐的复杂性。通过广泛的因果分析，包括异质性探索和政策树解释，我们为特定特征（如院子）在不同情景下对房价的影响提供了见解。本工作强调了在房地产定价中结合预测能力与因果洞察的集成方法的必要性，为行业利益相关者提供了有价值的指导。
引用
@article{arxiv.2409.02130,
title = {From Predictive Importance to Causality: Which Machine Learning Model Reflects Reality?},
author = {Muhammad Arbab Arshad and Pallavi Kandanur and Saurabh Sonawani and Laiba Batool and Muhammad Umar Habib},
journal= {arXiv preprint arXiv:2409.02130},
year = {2024}
}