面向精准医疗的机器学习模型可解释性
定量方法
2016-10-31 v1
摘要
机器学习模型的可解释性对于数据驱动的精准医疗工作至关重要。然而，高预测性模型通常复杂且难以解释。本文中，我们利用模型无关解释（Model-Agnostic Explanations）算法，展示诸如随机森林之类的复杂模型可以变得可解释。使用MIMIC-II数据集，我们成功以80%的平衡准确率预测了ICU死亡率，并能够在个体水平上解释各特征对预测的相对效应。
引用
@article{arxiv.1610.09045,
title = {Machine Learning Model Interpretability for Precision Medicine},
author = {Gajendra Jung Katuwal and Robert Chen},
journal= {arXiv preprint arXiv:1610.09045},
year = {2016}
}