VisRuler：用于从装袋与提升决策树中提取决策规则的可视分析工具

装袋（bagging）和提升（boosting）是机器学习（ML）中两种流行的集成方法，它们产生许多独立的决策树。由于这些方法固有的集成特性，它们在预测性能上通常优于单棵决策树或其他ML模型。然而，每棵决策树都会生成大量决策路径，增加了模型的整体复杂性，并阻碍其在需要可信且可解释决策的领域（如金融、社会关怀和医疗保健）中的应用。因此，随着决策数量的增加，随机森林和自适应提升等装袋和提升算法的可解释性会降低。本文提出了一种可视分析工具，旨在通过一套彻底的可视化检查工作流来辅助用户从此类ML模型中提取决策，该工作流包括：选择一组鲁棒且多样的模型（源自不同的集成学习算法）、根据全局贡献选择重要特征，以及决定哪些决策对全局解释（或针对特定案例的局部解释）至关重要。最终决策基于若干模型的类别一致性以及用户导出的已探索手动决策。我们通过一个用例、一个使用场景和一项用户研究评估了VisRuler的适用性与有效性。评估显示，大多数用户成功使用我们的系统以可视化方式探索决策规则，较好地完成了所提出的任务并回答了给定问题。