学习可信模型
机器学习
2019-02-19 v3 机器学习
摘要
在许多场景中，模型能够为其预测提供理由（即模型必须是可解释的）十分重要。然而，模型的推理可能不符合既有的公认知识。在此类情况下，模型虽可解释，却缺乏可信性（credibility）。本工作中，我们在线性设定下正式定义可信性，并聚焦于学习既准确又可信的模型的技术。特别地，我们提出一种正则化惩罚项——专家产出估计（EYE），其融入了关于协变量与感兴趣结果之间已知关系的专家知识。我们给出了理论结果与实证结果，将所提方法与其他几种正则化技术进行比较。在一系列设定下，基于合成与真实数据的实验表明，使用EYE惩罚学习的模型显著比其他惩罚学习的模型更具可信性。应用于大规模患者风险分层任务时，我们的技术所得模型其顶部特征与已知临床风险因素显著重叠，同时仍取得良好的预测性能。
引用
@article{arxiv.1711.03190,
title = {Learning Credible Models},
author = {Jiaxuan Wang and Jeeheh Oh and Haozhu Wang and Jenna Wiens},
journal= {arXiv preprint arXiv:1711.03190},
year = {2019}
}