用于累犯预测的可解释分类模型
机器学习
2020-10-20 v6 应用统计
摘要
我们研究了一个长期争论的问题，即如何创建足够准确、透明且可解释的累犯预测模型以用于决策。这个问题很复杂，因为这些模型被用于支持不同的决策，从量刑，到决定是否假释释放，再到分配预防性社会服务。每个用例可能具有分类准确率以外的目标，例如期望的真阳性率（TPR）或假阳性率（FPR）。每个（TPR, FPR）对是受试者工作特征（ROC）曲线上的一个点。我们使用流行的机器学习方法在广泛的累犯预测问题上沿完整 ROC 曲线创建模型。我们表明许多方法（SVM、Ridge Regression）沿完整 ROC 曲线产生同样准确的模型。然而，为可解释性设计的方法（CART、C5.0）无法被调优以产生准确和/或可解释的模型。为处理这一缺陷，我们使用一种称为 SLIM（超稀疏线性整数模型）的新方法来产生沿完整 ROC 曲线的准确、透明且可解释的模型。这些模型可用于许多不同用例的决策，因为它们与最强大的黑盒机器学习模型一样准确，但完全透明且高度可解释。
引用
@article{arxiv.1503.07810,
title = {Interpretable Classification Models for Recidivism Prediction},
author = {Jiaming Zeng and Berk Ustun and Cynthia Rudin},
journal= {arXiv preprint arXiv:1503.07810},
year = {2020}
}
备注
45 pages, 17 figures