通过用户实验利用改进的 Cox 模型学习可视化的可解释性
机器学习
2016-11-21 v1 人工智能
人机交互
机器学习
摘要
为了发挥效用，可视化需要具备可解释性。本文使用基于用户的方法来组合和评估质量度量，以便更好地对用户偏好进行建模。结果表明，邻域保持度量的表现优于簇可分性度量，尽管前者通常被认为能直观地代表用户动机。此外，与使用单一度量相比，组合多个度量进一步提高了预测性能。
引用
@article{arxiv.1611.06175,
title = {Learning Interpretability for Visualizations using Adapted Cox Models through a User Experiment},
author = {Adrien Bibal and Benoit Frénay},
journal= {arXiv preprint arXiv:1611.06175},
year = {2016}
}
备注
Presented at NIPS 2016 Workshop on Interpretable Machine Learning in Complex Systems