基于模型的反事实解释：融合表格数据特征空间属性

机器学习模型能够准确从大数据集中预测模式，在决策中至关重要。因此，反事实解释——通过引入输入扰动来解释预测的方法——变得突出。这些扰动通常建议改变预测的方法，从而产生可操作的建议。然而，当前技术需要为每次输入变化求解优化问题，导致计算成本高昂。此外，传统编码方法未能充分处理表格数据中分类变量的扰动。因此，本研究提出FastDCFlow，一种使用归一化流的高效反事实解释方法。所提方法捕获复杂数据分布，学习保留邻近性的有意义潜在空间，并改进预测。对于分类变量，我们采用了TargetEncoding，它尊重序数关系并包含扰动成本。所提方法在多个指标上优于现有方法，在反事实解释的权衡之间取得了平衡。源代码可在以下仓库获取：https://github.com/sumugit/FastDCFlow。