用于慢性无家可归预测的机器学习可解释方法
计算机与社会
2020-09-22 v1 人工智能
机器学习
摘要
我们提出了一种机器学习方法，利用从加拿大常用无家可归管理信息系统中提取的去标识化客户收容记录来预测慢性无家可归。以30天为时间步长，生成了包含6521名个体的数据集。我们的模型HIFIS-RNN-MLP结合了客户历史中的静态与动态特征，以预测该客户未来6个月的慢性无家可归状况。训练方法经过微调以实现高F1-score，从而在召回率与精确率之间取得期望的平衡。在10折交叉验证中，平均召回率与精确率分别为0.921和0.651。我们应用了一种可解释性方法来解释个体预测，并深入理解所研究人群中导致慢性无家可归的整体因素。该模型通过可解释AI（interpretable AI）实现了最先进的性能，并提升了利益相关方对通常被视为“黑箱”的神经网络模型的信任。
引用
@article{arxiv.2009.09072,
title = {Interpretable Machine Learning Approaches to Prediction of Chronic Homelessness},
author = {Blake VanBerlo and Matthew A. S. Ross and Jonathan Rivard and Ryan Booker},
journal= {arXiv preprint arXiv:2009.09072},
year = {2020}
}
备注
14 pages, 7 figures, submitted to Engineering Applications of Artificial Intelligence