基于 SHAP 的正则化在机器学习模型中
机器学习
2025-08-01 v1
摘要
特征归因方法如 SHapley Additive exPlanations（SHAP）已成为理解机器学习模型的重要工具，但其在指导模型优化中的作用仍未得到充分探索。本文提出了一种 SHAP 指导正则化框架，将特征重要性约束纳入模型训练，以提高预测性能和可解释性。我们的方法对特征归因应用熵基惩罚，以鼓励稀疏、集中特征归因，同时在样本之间促进稳定性。该框架适用于回归和分类任务。我们的第一次探索是针对基于树的模型正则化使用 TreeSHAP。通过对基准回归和分类数据集进行广泛实验，我们证明该方法在提高 generalizations performance 的同时，确保了稳健且可解释的特征归因。该提出技术提供了一种新颖的、以可解释性为导向的正则化方法，使机器学习模型更准确且更可靠。
引用
@article{arxiv.2507.23665,
title = {SHAP-Guided Regularization in Machine Learning Models},
author = {Amal Saadallah},
journal= {arXiv preprint arXiv:2507.23665},
year = {2025}
}