手中一个 CBR 胜似林中一对孪生模型
机器学习
2023-05-10 v1 人工智能
摘要
被称为可解释的 AI 方法常因可解释性与准确性之间存在权衡的说法而被支持者贬低为不准确。然而在许多问题背景下这种权衡并不成立。本文讨论了一个用于预测航班起飞延误的回归问题背景，其中最准确的回归模型是通过梯度提升决策树的 XGBoost 实现训练的。在构建 XGB-CBR Twin 并将 XGBoost 特征重要性转换为 CBR 模型中的全局权重时，所得 CBR 模型单独提供了最准确的局部预测，保持了全局重要性以给出模型的全局解释，并提供了最具可解释性的局部解释表示。该所得 CBR 模型成为此问题背景下准确性与可解释性的基准，因此被用于评估 SHAP 和 LIME 两种加性特征属性方法来解释 XGBoost 回归模型。关于局部准确性和特征归因的结果引出了潜在有价值的未来工作。
引用
@article{arxiv.2305.05111,
title = {When a CBR in Hand is Better than Twins in the Bush},
author = {Mobyen Uddin Ahmed and Shaibal Barua and Shahina Begum and Mir Riyanul Islam and Rosina O Weber},
journal= {arXiv preprint arXiv:2305.05111},
year = {2023}
}
备注
The version of this paper published in ICCBR XCBR '22 contained an erroneous sum in Equation 3 that we have corrected in this version