Ordinal-ResLogit：用于有序选择的深度可解释残差神经网络
机器学习
2022-04-26 v2
摘要
本研究提出残差Logit的有序版本（Ordinal-ResLogit）模型以研究有序响应。我们将标准ResLogit模型集成到COnsistent RAnk Logits（CORAL）框架中（该框架被归类为二分类算法），从而开发一个完全可解释的基于深度学习的有序回归模型。由于Ordinal-ResLogit模型的公式体现了残差神经网络（Residual Neural Networks）的概念，我们提出的模型解决了机器学习算法被称为黑箱的主要局限。此外，Ordinal-ResLogit模型作为针对有序数据的二分类框架，保证了各二分类器之间的一致性。我们表明所得公式能够从数据中捕捉潜在的未观测异质性，同时作为一个可解释的基于深度学习的模型。我们推导了市场份额、替代模式以及弹性的公式。我们使用关于行人等待时间的陈述偏好（SP）数据集和关于出行距离的揭示偏好（RP）数据集，将Ordinal-ResLogit模型的性能与有序Logit模型进行比较。我们的结果表明，对于两个数据集，Ordinal-ResLogit均优于传统的有序回归模型。此外，从Ordinal-ResLogit RP模型获得的结果表明，驾驶成本与公交成本等出行属性对选择非强制性出行地点具有显著影响。就Ordinal-ResLogit SP模型而言，我们的结果强调道路相关变量与交通状况是预测行人等待时间的贡献因素，其中混合交通状况显著增加了选择更长等待时间的概率。
引用
@article{arxiv.2204.09187,
title = {Ordinal-ResLogit: Interpretable Deep Residual Neural Networks for Ordered Choices},
author = {Kimia Kamal and Bilal Farooq},
journal= {arXiv preprint arXiv:2204.09187},
year = {2022}
}