通过数据集中的属性交互解释分类器
机器学习
2017-07-25 v1 机器学习
摘要
在本工作中，我们提出了一种新颖的 ASTRID 方法，用于研究分类器在进行预测时利用了哪些属性交互。分类任务中的属性交互是指两个或多个属性共同为某一特定类别标签提供更强的证据。通过揭示属性之间的关联，此类交互的知识使得模型更具可解释性。这在诸多领域有应用，例如在药物警戒中识别药物间的交互，或在生物信息学中研究单核苷酸多态性之间的关联。我们还展示了所发现的属性划分与数据生成分布的因子分解之间的关系，并通过实验验证了所提方法的实用性。
引用
@article{arxiv.1707.07576,
title = {Interpreting Classifiers through Attribute Interactions in Datasets},
author = {Andreas Henelius and Kai Puolamäki and Antti Ukkonen},
journal= {arXiv preprint arXiv:1707.07576},
year = {2017}
}
备注
presented at 2017 ICML Workshop on Human Interpretability in Machine Learning (WHI 2017), Sydney, NSW, Australia