面向表格数据的真值可解释性

在数据科学中，使用合成数据进行方法开发、特征选择和特征工程有着悠久的历史。我们对合成数据的当前兴趣源于近期在可解释性方面的工作。当今的数据集通常更大且更复杂——需要较不易解释的模型。在\textit{事后}可解释性的设定下，解释没有真值。受近期为图像分类器提供真值的可解释性工作的启发，我们为表格数据提出了类似的解决方案。利用 copulas（对数据集所需统计特性的简洁规范），用户可以通过受控数据集和实验建立关于可解释性的直觉。当前的能力在三个用例上得到展示：一维逻辑回归、来自信息性特征的相关性的影响、来自冗余变量的相关性的影响。