GAM(L)A：面向可解释机器学习的计量经济学模型
机器学习
2022-03-23 v1 机器学习
计量经济学
摘要
尽管随机森林和梯度提升具有很高的预测性能，但它们通常被认为是黑箱或不可解释的模型，这引起了从业者和监管机构的担忧。作为替代，我们在本文中提出使用本质上可解释的部分线性模型。具体而言，本文介绍了 GAM-lasso (GAMLA) 和 GAM-autometrics (GAMA)，简称为 GAM(L)A。GAM(L)A 结合了参数和非参数函数，以准确捕捉因变量与解释变量之间普遍存在的线性和非线性关系，并采用变量选择过程来控制过拟合问题。估计依赖于基于双残差方法构建的两步过程。我们在一个回归问题和一个分类问题上说明了 GAM(L)A 的预测性能和可解释性。结果表明，GAM(L)A 优于增加了二次、三次和交互效应的参数模型。此外，结果还表明 GAM(L)A 的性能与随机森林和梯度提升没有显著差异。
引用
@article{arxiv.2203.11691,
title = {GAM(L)A: An econometric model for interpretable Machine Learning},
author = {Emmanuel Flachaire and Gilles Hacheme and Sullivan Hué and Sébastien Laurent},
journal= {arXiv preprint arXiv:2203.11691},
year = {2022}
}
备注
47 pages, 12 tables and 7 figures