贝叶斯加性回归树的 visualizations
统计计算
2022-09-13 v2
摘要
基于树的回归与分类已成为现代数据科学的标准工具。贝叶斯加性回归树（BART）尤其因在处理交互与非线性效应上的灵活性而广受欢迎。BART 是一种基于树的贝叶斯机器学习方法，可应用于回归与分类问题，并相较其他预测模型产生有竞争力或更优的结果。作为贝叶斯模型，BART 允许从业者通过后验分布探索预测周围的不确定性。本文提出探索 BART 模型的新可视化技术。我们构建常规图以分析模型性能与稳定性，并创建新基于树的图以分析变量重要性、交互与树结构。我们采用值抑制不确定性调色板（VSUP）构建热图，利用颜色标度联合展示变量重要性与交互以表示后验不确定性。我们的新可视化设计可与最流行的 BART R 包（即 BART、dbarts 和 bartMachine）协同工作。我们的方法实现于 R 包 bartMan（BART Model ANalysis）中。
引用
@article{arxiv.2208.08966,
title = {Visualizations for Bayesian Additive Regression Trees},
author = {Alan Inglis and Andrew Parnell and Catherine Hurley},
journal= {arXiv preprint arXiv:2208.08966},
year = {2022}
}
备注
25 pages, 15 figures