关键领域决策支持中数据不确定性下机器学习的特征稳定性保持

在机器学习(ML)日益被部署以支持关键领域决策制定的世界中，为决策者提供可解释、稳定且相关的输入变得至关重要。理解机器学习在缺失数据下如何工作以及这如何影响特征变异性是首要的。由于机器学习方法侧重于标准化依赖理想化特征集的决策方法，这一点显得更为重要。然而，人类活动中的决策制定往往依赖不完整的数据，即使在关键领域也是如此。本文通过使用传统机器学习方法进行一系列实验来解决这一差距，这些方法寻找最优决策，并与最近部署的一种机器学习方法进行比较，后者侧重于更具描述性且模仿人类决策的分类，允许自然地整合可解释性。我们发现，随着数据不完整性的增加，ML描述性方法在确保特征选择稳定性的同时保持了更高的分类精度。这表明描述性分类方法在不确定决策场景中是有帮助的。