面向自助式高风险决策的的可解释机器学习
机器学习
2022-05-10 v1 图形学
摘要
本文通过一般线坐标（GLC）中的视觉知识发现为可解释机器学习做出贡献。将超块作为可解释数据集单元的概念与一般线坐标相结合，创建了一种视觉自助式机器学习模型。提出了DSC1和DSC2无损多维坐标系统。DSC1和DSC2可使用图构造算法将多个数据集属性映射至单一的二维（X, Y）笛卡尔平面。超块分析用于确定视觉上宜人的数据集属性顺序并减少线条遮挡。研究表明，超块可泛化决策树规则，一系列DSC1或DSC2图可可视化决策树。DSC1和DSC2图在来自UCI ML仓库的基准数据集上进行了测试，它们允许数据的视觉分类。此外，发现了超块不纯区域并用于建立数据集划分，其突出了最坏情况模型精度的上限估计，以指导高风险决策中的模型选择。DSC1和DSC2的主要优势在于其高度可解释的性质，它们允许领域专家通过视觉模式发现控制或建立新的机器学习模型。
引用
@article{arxiv.2205.04032,
title = {Interpretable Machine Learning for Self-Service High-Risk Decision-Making},
author = {Charles Recaido and Boris Kovalerchuk},
journal= {arXiv preprint arXiv:2205.04032},
year = {2022}
}
备注
8 pages, 19 figures, 2 tables