Dec, 2013

利用特征贡献方法解释随机森林分类模型

PDF
TL;DR本研究提出了一种计算随机森林分类模型的特征贡献的方法，可以确定每个变量对单个实例的模型预测的影响，并通过分析训练数据集的特征贡献来确定最显着的变量和它们对个别类别预测的贡献模式，并阐述其在 UCI 基准数据集上的应用。
model interpretationrandom forestfeature contributionsclassificationuci benchmark datasets
发现论文，激发创造
  • 理解随机森林：从理论到实践

    本文对随机森林进行了深入分析，重点讨论了其学习能力、内部运作和可解释性。本文的贡献在于通过理论分析，证明了随机森林的变量重要性可解释性，从而揭示了随机森林在数据分析和机器学习中的应用潜力。

    Jul, 2014

  • 利用随机森林相似度距离阐明特征贡献

    通过观察输入的变化如何映射到决策空间中的实例的移动，随着输入的改变将特定的实例靠近内部组或外部组，可以揭示每个要素的独立贡献，从而计算特征对于决策过程的贡献，这使得黑盒决策的解释成为可能。

    Jul, 2018

  • 随机森林多目标回归的局部可解释性

    本文提出了针对随机森林模型的多目标回归问题的一种技术，通过基于规则的解释提供了一种解释能力，并与最先进的技术相比具有竞争力的解释能力。

    Mar, 2023

  • 通过特征贡献和 MDI 特征重要性解释 Deep Forest

    通过计算和校准来为深层森林设计特征贡献和 MDI 特征重要性的计算工具，验证其在模拟数据和实际数据上的有效性。

    May, 2023

  • 通过随机森林回归进行特征重要性的去相关和趋势检测的概念

    本文介绍了基于 Gram-Schmidt 去相关方法的特征重要性新概念，并提出了用于使用随机森林回归确定数据趋势的绝对和相对横向速率两种估计器。然后，在各种合成和实际数据集上，将我们的估计器的性质与那些知名估计器进行了实证比较。

    Mar, 2023

  • 透過遞迴分割進行全球模型解釋

    本文提出了一种能够全局解释黑匣子机器学习模型的简单而有效的方法，即使用紧凑的二叉树 “解释树” 显式地表示隐含在黑匣子机器学习模型中的最重要的决策规则，而这个树是从贡献矩阵中学习得来的，通过递归地最大化区分空间之间分裂变量的平均贡献差来划分输入变量空间。我们通过多任务的机器学习模型诊断实验证明了我们方法的有效性，同时也便于人类理解机器学习模型。

    Feb, 2018

  • 模型提取实现可解释性

    这篇论文提出一种名为模型抽取的方法，通过构建一个可解释程度更高的模型来近似黑箱模型，从而理解和调试机器学习模型在各种数据集上训练的结果，并在经典强化学习问题中学习控制策略。

    Jun, 2017

  • 树集成的一致特征归因

    研究使用 SHAP 值作为唯一一种同时具有一致性和局部精度的加性特征归因方法，在现有方法不一致的情况下，提高特征归因的准确性和可解释性，应用于 XGBoost 模型中能够显著提高监督聚类性能和模型解释能力。

    Jun, 2017

  • 随机森林的决定性本地解释规则

    在机器学习模型中，为了避免社会伦理问题影响人们的生活，必须对决策过程进行透明解释。为此，本文提出了一种名为 LionForests 的随机森林解释技术，其提供规则作为解释，并在二元分类任务到多类别分类和回归任务中均适用，并且通过实验表明了其有效性和其与先前技术的不同之处。

    Apr, 2021

  • 随机森林中的相关性和变量重要性

    本篇论文针对高维回归或分类框架中预测变量高度相关的情况下的变量选择问题，研究使用随机森林算法的变量选择。论文提供了一种理论研究和模拟实验的方式，证明了使用递归特征排除算法作为排名标准对变量进行选择的高效性，并进行了陆地卫星数据集的测试。

    Oct, 2013