XNB：可解释类别特定 NaIve-Bayes 分类器
机器学习
2024-11-05 v1 人工智能
机器学习
摘要
在当今数据密集型的环境中，高维数据集日益常见，减少输入特征数量对于防止过拟合和提高模型准确率至关重要。尽管已有大量研究致力于降维，但大多数方法对所有类别应用统一的特征集，可能忽略各个类别的独特特征。本文提出了可解释类别特定朴素贝叶斯（XNB）分类器，引入了两项关键创新：1）使用核密度估计计算后验概率，使估计过程更加准确和灵活；2）选择类别特定特征子集，确保仅使用每个类别最相关的变量。对高维基因组数据集的广泛实证分析表明，XNB 在分类性能上与传统朴素贝叶斯相当，同时大幅提升了模型可解释性。通过隔离每个类别最相关的特征，XNB 不仅将特征集缩减为每个类别的最小且独特的子集，还提供了对模型预测方式的更深入洞察。该方法在精度和可解释性均至关重要的领域具有显著优势。
引用
@article{arxiv.2411.01203,
title = {XNB: Explainable Class-Specific NaIve-Bayes Classifier},
author = {Jesus S. Aguilar-Ruiz and Cayetano Romero and Andrea Cicconardi},
journal= {arXiv preprint arXiv:2411.01203},
year = {2024}
}