基于内联坐标的二维全可解释机器学习
机器学习
2021-07-06 v2 计算机视觉与模式识别
摘要
本文提出了一种在二维空间中使用内联坐标进行机器学习（2-D ML）的新方法。这是一种全机器学习方法，无需在 n 维空间中处理 n 维数据。它利用 n 维数据在二维中的图表示，能够在二维空间中发掘 n 维模式而不损失 n 维信息。具体而言，这可通过不同变体的内联坐标实现，包括静态与动态形式。我们引入了基于这些内联坐标的分类与回归算法。基于基准数据的成功案例研究证明了该方法的可行性。该方法有助于进一步巩固全二维机器学习这一作为有前景 ML 方法论的全新领域。其优势在于能够积极让最终用户参与到模型发现及其合理性论证中。另一优势是提供可解释的 ML 模型。
引用
@article{arxiv.2106.07568,
title = {Full interpretable machine learning in 2D with inline coordinates},
author = {Boris Kovalerchuk and Hoang Phan},
journal= {arXiv preprint arXiv:2106.07568},
year = {2021}
}
备注
8 pages, 20 figures