SurvBeX：基于 Beran 估计器的机器学习生存模型解释方法
机器学习
2023-08-08 v1 人工智能
机器学习
摘要
本文提出一种称为 SurvBeX 的解释方法，用于解读机器学习生存黑盒模型的预测。该方法的核心思想是使用修正的 Beran 估计器作为替代解释模型。纳入 Beran 估计器的系数可视为特征对黑盒模型预测影响的值。遵循著名的 LIME 方法，在感兴趣样本周围的局部区域生成大量点。对每个生成样本，计算黑盒模型的生存函数，并将替代模型（Beran 估计器）的生存函数构造为解释系数的函数。为求解解释系数，提出最小化由生成样本所产生的黑盒模型生存函数与 Beran 估计器生存函数之间的平均距离。基于合成与真实生存数据的大量数值实验证明了 SurvBeX 的有效性，并与著名方法 SurvLIME 进行比较。该方法还与 SurvSHAP 方法进行了对比。实现 SurvBeX 的代码见：https://github.com/DanilaEremenko/SurvBeX
引用
@article{arxiv.2308.03730,
title = {SurvBeX: An explanation method of the machine learning survival models based on the Beran estimator},
author = {Lev V. Utkin and Danila Y. Eremenko and Andrei V. Konstantinov},
journal= {arXiv preprint arXiv:2308.03730},
year = {2023}
}