基于成对置换算法的可解释模型
机器学习
2021-11-18 v1 机器学习
摘要
高维生物数据集中最常见的陷阱之一是特征间的相关性。这可能导致统计与机器学习方法高估或低估这些相关预测变量，而真正相关的变量被忽略。本文中，我们将定义一种称为成对置换算法（PPA）的新方法，旨在减轻特征重要性值中的相关性偏差。首先，我们提供了建立在先前置换重要性工作之上的理论基础。随后将PPA应用于一个玩具数据集，展示了其校正相关效应的能力。我们进一步在微生物组鸟枪法数据集上测试PPA，表明PPA已能获取生物学相关生物标志物。
引用
@article{arxiv.2111.09145,
title = {Interpretable Models via Pairwise permutations algorithm},
author = {Troy Maaslandand and João Pereira and Diogo Bastos and Marcus de Goffau and Max Nieuwdorp and Aeilko H. Zwinderman and Evgeni Levin},
journal= {arXiv preprint arXiv:2111.09145},
year = {2021}
}
备注
Submitted and accepted by AIMLAI, ECML PKDD 2021: European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases