基于监督划分的局部可解释模型与效应 (LIME-SUP)
机器学习
2018-06-05 v1 机器学习
摘要
近年来，由于相比传统统计方法预测性能的提升，梯度提升、随机森林和神经网络等监督机器学习 (SML) 算法变得流行。在具有大量观测（百万或更多）和数百至数千个预测变量的大型数据集中尤其如此。然而，SML 模型的复杂性使它们不透明且难以在不借助额外工具的情况下解释。近来，开发用于解释和说明 SML 模型的全局与局部诊断方法引起了大量关注。在本文中，我们提出基于监督划分（树）的局部可解释模型与效应，称为 LIME-SUP。这与基于预测空间聚类的 KLIME 方法形成对比。我们描述了基于将树拟合到拟合响应 (LIM-SUP-R) 以及拟合响应的导数 (LIME-SUP-D) 的 LIME-SUP。我们将结果与 KLIME 比较，并通过模拟和真实数据描述其优势。
引用
@article{arxiv.1806.00663,
title = {Locally Interpretable Models and Effects based on Supervised Partitioning (LIME-SUP)},
author = {Linwei Hu and Jie Chen and Vijayan N. Nair and Agus Sudjianto},
journal= {arXiv preprint arXiv:1806.00663},
year = {2018}
}
备注
15 pages, 10 figures