乘性-加性约束模型：迈向交互效应与独立效应的联合可视化
机器学习
2025-10-06 v1 人工智能
计算与语言
摘要
在将机器学习应用于涉及生命安全的高风险领域（如医疗保健）时，可解释性是考量因素之一。广义加性模型（GAM）通过可视化形状函数增强了可解释性。然而，为了保持可解释性，GAM 省略了高阶交互效应（超越成对交互），这对其预测性能施加了显著限制。我们观察到，曲线遍历集回归（CESR）作为一种乘性模型，自然能够实现其形状函数的可视化，同时结合了所有特征之间的交互效应和单个特征效应。然而，CESR 未能表现出优于 GAM 的性能。我们引入了乘性-加性约束模型（MACM），通过加性部分增强 CESR，以解耦其交互项和独立项的交织系数，从而有效拓宽了假设空间。该模型由乘性部分和加性部分组成，其形状函数均能被自然可视化，从而帮助用户理解特征如何参与决策过程。因此，MACM 构成了对 CESR 和 GAM 的改进。实验结果表明，基于神经网络的 MACM 在预测性能上显著优于 CESR 和当前最先进的 GAM。
引用
@article{arxiv.2509.21923,
title = {Multiplicative-Additive Constrained Models:Toward Joint Visualization of Interactive and Independent Effects},
author = {Fumin Wang},
journal= {arXiv preprint arXiv:2509.21923},
year = {2025}
}