SurvSHAP(t)：机器学习生存模型的时间相关解释
机器学习
2023-04-17 v2 人工智能
机器学习
摘要
机器与深度学习生存模型相比经典统计学习方法展现出相似甚至更优的事件时间预测能力，但过于复杂而难以被人类解释。现有若干模型无关解释方法可克服此问题；然而，它们均不直接解释生存函数预测。在本文中，我们引入 SurvSHAP(t)，首个允许解释生存黑盒模型的时间相关解释。它基于 SHapley Additive exPlanations（SHAP），具有坚实的理论基础并广受机器学习从业者采用。所提方法旨在提升精准诊断并支持领域专家决策。在合成与医疗数据上的实验证实，SurvSHAP(t) 可检测具有时间相关效应的变量，且其聚合比 SurvLIME 更能决定变量对预测的重要性。SurvSHAP(t) 是模型无关的，可应用于所有具有函数输出的模型。我们在 http://github.com/MI2DataLab/survshap 提供了 Python 中时间相关解释的可访问实现。
引用
@article{arxiv.2208.11080,
title = {SurvSHAP(t): Time-dependent explanations of machine learning survival models},
author = {Mateusz Krzyziński and Mikołaj Spytek and Hubert Baniecki and Przemysław Biecek},
journal= {arXiv preprint arXiv:2208.11080},
year = {2023}
}