性能不足够：Rashomon四重奏讲述的故事
机器学习
2024-09-11 v4 机器学习
应用统计
摘要
监督学习的通常目标是找到最佳模型，即优化特定性能度量的模型。然而，如果该模型所提供的解释与另一个模型完全不同，且与再另一个模型又不同，尽管它们都具有相似的优良拟合统计量，那又如何？这些同样有效的模型是否可能将焦点置于数据中不同的关系上？受Anscombe四重奏启发，本文引入Rashomon四重奏，即基于合成数据集构建的一组四个模型，它们具有几乎相同的预测性能。然而，可视化探索揭示了数据中关系的不同解释。这一说明性示例旨在鼓励使用模型可视化方法，超越性能来比较预测模型。
引用
@article{arxiv.2302.13356,
title = {Performance is not enough: the story told by a Rashomon quartet},
author = {Przemyslaw Biecek and Hubert Baniecki and Mateusz Krzyzinski and Dianne Cook},
journal= {arXiv preprint arXiv:2302.13356},
year = {2024}
}