随机森林的决定性本地解释规则

Apr, 2021

Conclusive Local Interpretation Rules for Random Forests

Ioannis Mollas, Nick Bassiliades, Grigorios Tsoumakas

TL;DR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。

Abstract

In critical situations involving discrimination, gender inequality, economic damage, and even the possibility of casualties, machine learning models must be able to provide clear interpretations for their decisions. Otherwise, their obscure decision-making processes can lead to socioet

machine learning random forest interpretation technique sensitivity analysis conclusiveness

发现论文，激发创造

随机森林的本地多标签解释

本文研究了如何将一个名为 LionForests 的技术应用在多标签分类问题上，通过采用三种不同的策略来解决难以解释的问题，同时提供了定性和定量实验来评估效果。

Jul, 2022

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

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

树集成分类器的概念视角

本文提出了一种基于格论的代数方法来解释树集成分类器中随机森林的分类性能，并展示了该方法在提供全局解释方面的能力。

Feb, 2023

利用机器去学习的方式为随机森林提供基于实例的解释

通过利用机器反学习方法，FairDebugger 能够识别造成随机森林分类器结果不公平的训练数据子集，并生成前 k 个解释（以一致的训练数据子集形式）来解释模型的不公平行为。

Feb, 2024

通过森林修剪提高随机森林的准确性和可解释性

通过提出两种森林修剪方法，我们的研究旨在实现既有随机森林的准确性又具有决策树的解释性，通过在给定随机森林中找出最佳子森林，再将选定的树组合在一起，实验证明我们的方法在准确性和所使用的树的数量方面优于当前先进的森林修剪方法。

Jan, 2024

黑盒决策系统的本地基于规则的解释

本文提出了一种名为 LORE 的黑匣子探明方法，能够从逻辑和反事实规则两个层面解释黑匣子机器学习模型的决策原因，从而提高其在社会敏感和安全关键环境中的可用性和透明度。

May, 2018

通过规则提取实现可解释性随机森林

SIRUS 是一种稳定的规则学习算法，采用简单的规则列表，结合了随机森林和稳定性，以实现回归分析和决策可解释性。

Apr, 2020

BELLATREX: 基于本地准确规则提取器的解释构建

本文提出了一种新的机器学习解释方法，利用局部准确规则提取器（Bellatrex）从随机森林生成的决策树中预选少量多样化规则，在降低维度、聚类等过程中通过解释少数规则从而解释整个森林预测结果，经 89 组真实数据测试，证实在二分类、回归、多标签分类和预测事件任务中，Bellatrex 方法可以有效、准确地代替随机森林，并在性能上表现优异。

Mar, 2022

利用特征贡献方法解释随机森林分类模型

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。

Dec, 2013