可解释性服务于知识提取：在医疗数据上的应用

过去十年中，机器学习的使用急剧增加。缺乏透明度如今已成为一个限制因素，可解释性领域正试图解决这一问题。此外，数据挖掘的挑战之一是在统计关系可能高度非线性时呈现数据集的统计关系。监督学习的一个优势是能够发现复杂的统计关系，而可解释性允许以可理解的方式表示这些关系。本文展示了可利用解释从数据中提取知识，并展示了特征选择、数据子群分析以及高信息量实例的选择如何从解释中受益。随后我们提出了一个完整的数据处理流程，将这些方法应用于医疗数据的数据挖掘。-- -- 近十年来机器学习的使用大幅增长。缺乏透明度如今是一大阻碍，可解释性领域希望加以解决。另外，数据挖掘的挑战之一在于呈现数据集的统计关系，而这些关系可能高度非线性。监督学习的优势之一在于能够发现复杂的统计关系，可解释性则可将其以易懂方式呈现。本文表明解释可用于从数据中进行知识提取，并说明变量选择、数据子群分析以及高信息量实例的选择如何得益于解释。我们进而提出一个利用这些方法处理医疗数据数据挖掘的完整数据处理流程。