基于树的机器学习模型预测局部解释方法 AraucanaXAI
机器学习
2023-12-18 v1
摘要
日益复杂的学习方法，如提升、装袋和深度学习，使机器学习模型更加准确，但也更难理解和解释。性能和可理解性之间的权衡经常需要面对，特别是在医学等高风险应用中。在本文中，我们提出了一种新颖的方法论方法，用于生成对通用机器学习模型预测的解释，给定已做出预测的特定实例，可处理分类和回归任务。所提出的 XAI（可解释人工智能）方法的优势包括提高对原始模型的保真度、处理非线性决策边界的能力，以及对分类和回归问题的原生支持。
引用
@article{arxiv.2110.08272,
title = {Tree-based local explanations of machine learning model predictions, AraucanaXAI},
author = {Enea Parimbelli and Giovanna Nicora and Szymon Wilk and Wojtek Michalowski and Riccardo Bellazzi},
journal= {arXiv preprint arXiv:2110.08272},
year = {2023}
}
备注
XAI Healthcare workshop 2021, AIME 2021