MDL 驱动的 GLM 集成压缩提升可解释性并保持预测能力
机器学习
2016-11-22 v1
摘要
多年来，集成方法已成为机器学习的主流。类似地，广义线性模型 (GLM) 在各种统计推断任务中变得非常流行。前者已被证明能增强样本外预测能力，而后者具有易于解释性。最近，GLM 集成被作为一种可能性提出。不利的一面是，这种方法丧失了 GLM 所具备的可解释性。我们表明，基于最小描述长度 (MDL) 的推断集成压缩可用于恢复可解释性，且对性能几乎没有（如果有的话）负面影响，并在多个标准分类数据集上进行了说明。
引用
@article{arxiv.1611.06800,
title = {MDL-motivated compression of GLM ensembles increases interpretability and retains predictive power},
author = {Boris Hayete and Matthew Valko and Alex Greenfield and Raymond Yan},
journal= {arXiv preprint arXiv:1611.06800},
year = {2016}
}
备注
The authors would like to acknowledge Leon Furchtgott and Fred Gruber for their invaluable feedback on the manuscript, and Fred Gruber for his help with LATEX. Presented at NIPS 2016 Workshop on Interpretable Machine Learning in Complex Systems