响应面估计中的高斯函数方法
机器学习
2021-01-05 v1 机器学习
摘要
我们提出了一种通过元建模技术对黑盒机器学习模型进行二维解释（特征与样本）的新框架，借此我们研究底层机器学习模型的输出与输入关系。该元模型可由在感兴趣区域中对数据样本运行计算机实验、通过已训练的复杂模型生成的数据来估计。我们利用高斯过程作为代理来捕获复杂模型的响应面，其中我们在该过程中纳入两部分：由先验协方差函数控制的平稳高斯过程 Z 建模的插值值，以及捕获底层模型中已知趋势的均值函数 mu。变量重要性参数 theta 的优化过程是最大化似然函数。该 theta 对应于各变量与目标响应的相关性。由于依赖于经验观测，无需任何预先假设的模型。实验通过对预测样本的定量评估展示了该可解释模型的潜力。
引用
@article{arxiv.2101.00772,
title = {Gaussian Function On Response Surface Estimation},
author = {Mohammadhossein Toutiaee and John Miller},
journal= {arXiv preprint arXiv:2101.00772},
year = {2021}
}