论决策树的可解释性
机器学习
2020-10-22 v1 人工智能
摘要
决策树 (DT) 堪称所谓可解释机器学习 (ML) 模型的典型代表。其非正式动机在于 DT 中的路径通常远小于特征总数。本文表明，在某些设定下 DT 几乎难以被视为可解释，其路径可任意大于 PI-解释（即蕴含预测的子集极小特征取值集）。据此，本文提出一种计算 DT 的 PI-解释的新模型，可在多项式时间内计算出一个 PI-解释。此外，本文证明 PI-解释的枚举可归约为极小碰集的枚举。我们在广泛使用的公开数据集及知名 DT 学习工具上获得实验结果，证实在大多数情况下 DT 的路径是 PI-解释的真超集。
引用
@article{arxiv.2010.11034,
title = {On Explaining Decision Trees},
author = {Yacine Izza and Alexey Ignatiev and Joao Marques-Silva},
journal= {arXiv preprint arXiv:2010.11034},
year = {2020}
}