MetaStackVis：用于元模型性能评估的可视化辅助工具

堆叠（或堆叠泛化）是一种集成学习方法，与其余方法的一个主要区别在于：尽管多个基模型在原始数据集上训练，它们的预测被进一步用作一个或多个按至少一层额外排列的元模型的输入数据。组合模型栈可产生高性能结果，但通常涉及试错过程。因此，我们先前开发的可视分析系统 StackGenVis 主要旨在通过对预测性能的度量，协助用户选择一组高性能且多样的模型。然而，它仅采用单一逻辑回归元模型。本文中，我们利用一种称为 MetaStackVis 的新型可视化工具，研究替代元模型对堆叠集成性能的影响。我们的交互式工具帮助用户根据其预测概率与多种验证指标，以及预测特定问题数据实例的能力，直观探索不同的单一及成对元模型。MetaStackVis 通过基于医学数据集的使用场景与专家访谈进行了评估。