SPINEX：面向机器学习回归与分类任务的基于相似性的预测与可解释邻域探索方法
机器学习
2024-03-26 v1 应用统计
摘要
机器学习（ML）领域近年来取得了显著进展。然而，许多现有算法缺乏可解释性，且难以处理高维和不平衡数据。本文提出SPINEX，一种新颖的基于相似性的可解释邻域探索算法，旨在解决这些局限。该算法结合集成学习和特征交互分析，通过量化每个特征对预测的贡献并识别特征间的交互，从而实现准确预测和有意义的洞察，增强了算法的可解释性。为评估SPINEX的性能，我们在59个合成与真实数据集上针对回归和分类任务进行了大量实验。结果表明，SPINEX取得了可比的性能，并在某些场景下可能优于常用的ML算法。同样的发现证明了SPINEX的有效性和竞争力，使其成为各种真实世界应用中有前景的方法。
引用
@article{arxiv.2306.01029,
title = {SPINEX: Similarity-based Predictions and Explainable Neighbors Exploration for Regression and Classification Tasks in Machine Learning},
author = {M. Z. Naser and M. K. albashiti and A. Z. Naser},
journal= {arXiv preprint arXiv:2306.01029},
year = {2024}
}