基于模型的规则森林进行子群分析
机器学习
2024-08-28 v1
摘要
机器学习模型常因其黑箱本质而受到批评, 这引发了对其在关键决策场景中适用性的关注。因此, 对可解释模型的需求日益增长。本研究引入了基于模型的深度规则森林 (mobDRF), 这是一个用于从数据中提取透明模型的可解释表示学习算法。通过利用具有多级逻辑表达式的 IF-THEN 规则, mobDRF 在不牺牲精度的前提下增强了现有模型的可解释性。我们将 mobDRF 应用于识别老年人群中认知衰退的关键风险因素, 展示了其在子群分析和局部模型优化方面的有效性。该方法为开发可信且可解释的机器学习模型提供了有前景的解决方案, 尤其在医疗领域, 由于了解不同患者子群的差异效应, 可导致更个性化和有效的治疗方案。
引用
@article{arxiv.2408.15057,
title = {Subgroup Analysis via Model-based Rule Forest},
author = {I-Ling Cheng and Chan Hsu and Chantung Ku and Pei-Ju Lee and Yihuang Kang},
journal= {arXiv preprint arXiv:2408.15057},
year = {2024}
}