SurvNAM：机器学习生存模型解释方法
机器学习
2021-04-20 v1 机器学习
摘要
提出一种称为 SurvNAM 的神经网络加性模型（Neural Additive Model, NAM）新改进及其变体，用于解释黑盒机器学习生存模型的预测。该方法基于将原始 NAM 应用于生存分析框架中的解释问题。SurvNAM 背后的基本思想是通过特定的期望损失函数训练网络，该函数考虑了生存模型预测的特性，并基于用著名的广义加性模型（Generalized Additive Model, GAM）替代协变量简单线性关系的 Cox 比例风险模型扩展来逼近黑盒模型。所提 SurvNAM 方法可进行局部与全局解释。针对局部解释，围绕被解释样本随机生成一组样本。全局解释使用整个训练数据集。所提 SurvNAM 的变体基于为 GAM 中的函数使用基于 Lasso 的正则化，以及使用其加权线性与非线性部分的 GAM 函数特殊表示（实现为快捷连接）。大量数值实验说明了 SurvNAM 的有效性。
引用
@article{arxiv.2104.08903,
title = {SurvNAM: The machine learning survival model explanation},
author = {Lev V. Utkin and Egor D. Satyukov and Andrei V. Konstantinov},
journal= {arXiv preprint arXiv:2104.08903},
year = {2021}
}