以森林火灾预防为例的可解释变换ANOVA近似
机器学习
2022-01-31 v1 机器学习
摘要
数据点的分布是机器学习中的一个关键组成部分。在大多数情况下，人们使用最小-最大归一化以获得在 内的节点，或使用Z-score归一化以获得标准正态分布数据。在本文中，我们应用变换思想，以标准正态分布作为积分权重，在函数的 空间中设计一个完备的标准正交系。随后，我们能够为此基应用可解释的ANOVA近似，并在该方法中使用Z-score变换后的数据。我们在著名的UCI机器学习库中的森林火灾数据集上展示了该过程的适用性。从ANOVA近似获得的属性排序为我们提供了关于数据集中哪些变量对火灾检测最为重要的关键信息。
引用
@article{arxiv.2110.07353,
title = {Interpretable transformed ANOVA approximation on the example of the prevention of forest fires},
author = {Daniel Potts and Michael Schmischke},
journal= {arXiv preprint arXiv:2110.07353},
year = {2022}
}