X-SHAP：面向机器学习的乘性可解释性
机器学习
2020-06-23 v2 机器学习
摘要
本文介绍 X-SHAP，一种模型无关方法，用于评估变量对局部与全局预测的乘性贡献。该方法在理论与操作上扩展了所谓的加性 SHAP 方法。它对于揭示因子的乘性交互作用颇有用处，这类交互典型出现于传统上使用广义线性模型的领域，如保险或生物学。我们在多个数据集上测试了该方法，并基于个体 X-SHAP 贡献提出一组技术以构建聚合乘性贡献并捕捉乘性特征重要性，我们将其与传统技术进行比较。
引用
@article{arxiv.2006.04574,
title = {X-SHAP: towards multiplicative explainability of Machine Learning},
author = {Luisa Bouneder and Yannick Léo and Aimé Lachapelle},
journal= {arXiv preprint arXiv:2006.04574},
year = {2020}
}