语义引导的强化学习用于可解释特征工程
机器学习
2024-10-04 v1
摘要
机器学习(ML)模型的质量严重依赖于输入数据，因此通常需要生成高质量的特征来提高预测准确性。这一过程被称为特征工程(FE)。然而，由于手动特征工程耗时且需要逐案例的领域知识，因此自动化特征工程(AutoFE)至关重要。一个主要挑战仍是生成可解释的特征。为解决这一问题，我们引入了SMART，这是一种混合方法，使用语义技术通过两个步骤引导生成可解释特征：利用和探索。前者使用描述逻辑(DL)对知识图谱(KG)中嵌入的语义进行推理，以推断出特定领域的特征，而后者则利用知识图谱通过深度强化学习(DRL)进行搜索空间的引导探索。我们在公共数据集上的实验表明，SMART在提高预测准确性的同时，确保了高度的可解释性。
引用
@article{arxiv.2410.02519,
title = {Semantic-Guided RL for Interpretable Feature Engineering},
author = {Mohamed Bouadi and Arta Alavi and Salima Benbernou and Mourad Ouziri},
journal= {arXiv preprint arXiv:2410.02519},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2406.00544