基于通用线坐标的决策树可视化方法以支持可解释模型
机器学习
2022-05-10 v1
摘要
机器学习（ML）模型的可视化是ML流程的重要组成部分，可增强ML模型的可解释性与预测精度。本文提出一种新方法SPC-DT，将决策树（DT）作为可解释模型进行可视化。这些方法使用一种称为偏移配对坐标（SPC）的通用线坐标版本。在SPC中，每个n维点在一组偏移的二维笛卡尔坐标对中被可视化为有向图。该新方法扩展并补充了现有可视化DT模型方法的能力。它展示了：（1）属性之间的关系，（2）个体案例相对于DT结构的位置，（3）DT中的数据流，（4）每个分裂与DT节点中阈值的紧密程度，以及（5）n维空间各部分的案例密度。这些信息对于领域专家评估和改进行DT模型（包括避免模型过度泛化与过拟合及其性能）十分重要。该方法的优势在三个真实数据集的案例研究中得到展示。
引用
@article{arxiv.2205.04035,
title = {Visualization of Decision Trees based on General Line Coordinates to Support Explainable Models},
author = {Alex Worland and Sridevi Wagle and Boris Kovalerchuk},
journal= {arXiv preprint arXiv:2205.04035},
year = {2022}
}
备注
8 pages, 21 figures, 5 tables