SX-GeoTree：集成特征归因空间相似性的自解释地理回归树

决策树仍是表格预测的核心，但在捕捉空间依赖性和产生局部稳定（鲁棒）解释方面存在挑战。我们提出了 SX-GeoTree，一种自解释地理回归树，通过在递归分裂期间整合三个耦合目标：杂质降低（MSE）、空间残差控制（全局 Moran's I）以及通过由 (a) 地理加权回归（GWR）系数距离（刺激-响应相似性）和 (b) SHAP 归因距离（解释相似性）形成的共识相似网络实现的解释鲁棒性。我们将特征归因的局部 Lipschitz 连续性重新定义为网络社区保存问题，从而在不进行每个样本的邻域搜索的情况下，可扩展地实现空间一致的解释。在两个典型任务（福建省县级 GDP，n=83；西雅图市点态房价，n=21,613）上的实验表明，SX-GeoTree 在保持竞争的预测准确性（与决策树相当，$R^{2}$ 差距小于 0.01）的同时，改善了残差的空间均匀性并将归因共识提高了一倍（模块性：福建 0.19 vs 0.09；西雅图 0.10 vs 0.05）。消融实验确认 Moran's I 和模块性术语是互补的；移除任一项都会降低空间残差结构和解释稳定性。该框架演示了如何将空间相似性——通过 GWR 派生的局部关系扩展而不仅仅是几何邻近性——嵌入可解释模型中，从而推动可信赖的地理机器学习，并为领域感知的可解释性提供一种可迁移的模板。