变量联盟的夏普利值提供更优解释
机器学习
2022-04-07 v3 机器学习
摘要
尽管夏普利值（Shapley Values, SV）是解释机器学习模型的黄金标准之一，我们表明其仍未被充分理解，特别是在存在类别变量或低重要性变量时。例如，我们指出将虚拟变量的 SV 求和的流行做法是错误的，因为它提供了模型中所有 SV 的错误估计并导致虚假解释。基于零联盟与活跃联盟的识别以及 SV 的联盟版本，我们提供了重要变量的正确计算与推断。此外，实现了一个 Python 库（所有实验与模拟均可通过公开库 Active Coalition of Variables 复现，https://www.github.com/salimamoukou/acv00），该库可靠地计算基于树模型的条件期望与 SV，并在玩具模型与真实数据集上与最先进算法进行了比较。
引用
@article{arxiv.2103.13342,
title = {The Shapley Value of coalition of variables provides better explanations},
author = {Salim I. Amoukou and Nicolas J-B. Brunel and Tangi Salaün},
journal= {arXiv preprint arXiv:2103.13342},
year = {2022}
}
备注
This paper has been withdrawn by the authors, because it has now been merged with (and superseded by) a parallel work arXiv:2106.03820