基于可解释模型的可视化与知识发现
机器学习
2020-05-11 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
越来越多影响人类生活的领域正在使用机器学习（ML）工具。因此，理解其工作机制并评估其在决策中的公平性变得至关重要，从而迎来了可解释人工智能（XAI）的时代。本文中我们介绍了几种内在可解释的模型，它们除能从数据集及问题中提取知识外，还能处理缺失值。这些模型亦可对分类器与决策边界进行可视化：它们是学习向量量化基于角度的变体。我们在合成数据集与真实世界数据集（来自 UCI 仓库的心脏病数据集）上演示了这些算法。新开发的分类器有助于将 UCI 数据集作为多类问题来探究其复杂性。当该数据集被视为二类问题时，所开发分类器的性能与文献中报道的相当，并兼具可解释性的额外价值。
引用
@article{arxiv.2005.03632,
title = {Visualisation and knowledge discovery from interpretable models},
author = {Sreejita Ghosh and Peter Tino and Kerstin Bunte},
journal= {arXiv preprint arXiv:2005.03632},
year = {2020}
}
备注
Accepted for proceedings of the International Joint Conference on Neural Networks (IJCNN) 2020