相对特征重要性
机器学习
2021-04-23 v1 机器学习
摘要
可解释机器学习（IML）方法用于深入了解感兴趣特征对模型性能的相关性。常用的 IML 方法在是否孤立地考虑感兴趣特征（例如置换特征重要性（PFI））还是相对于所有其余特征变量考虑（例如条件特征重要性（CFI））方面有所不同。因此，PFI 和 CFI 固有的扰动机制代表了极端的参考点。我们引入相对特征重要性（RFI），它是 PFI 和 CFI 的推广，允许在 PFI 与 CFI 二分法之外进行更细致的特征重要性计算。利用 RFI，可以评估一个特征相对于任何其他特征子集的重要性，包括训练时不可用的变量。我们基于对相对特征相关性含义的详细理论分析推导出 RFI 的一般解释规则，并在模拟示例上展示了该方法的实用性。
引用
@article{arxiv.2007.08283,
title = {Relative Feature Importance},
author = {Gunnar König and Christoph Molnar and Bernd Bischl and Moritz Grosse-Wentrup},
journal= {arXiv preprint arXiv:2007.08283},
year = {2021}
}