Apr, 2023

一种基于 Shapley 值且对回归中概念漂移具有鲁棒性的特征选择方法

PDF
TL;DR本文提出了一种新的特征选择方法，使用 Shapley 值来研究每个变量对预测的影响，以应对数据集漂移和变量关系变化的情况，并通过分析电力市场的例子进行验证。
feature selectionregressiondataset shiftshapley valueselectricity price forecasting
发现论文，激发创造
  • LLpowershap: 基于逻辑损失的自动 Shapley 值特征选择方法

    LLpowershap 是一种利用基于损失的 Shapley 值来识别信息特征的特征选择方法，与其他现有方法相比，它不仅能够识别更多的有信息特征，而且输出的噪声特征较少。在四个真实世界数据集上进行的基准测试结果显示，LLpowershap 的预测性能要么更高，要么与其他基于 Shapley 值的封装方法或过滤方法相当。

    Jan, 2024

  • 利用 Shapley 值解释漂移

    该研究提出了一种新框架 - DBShap，使用 Shapley 值来识别漂移的主要驱动因素，并量化它们的贡献。DBShap 不仅能够量化个体特征在驱动漂移方面的重要性，还能包括输入和输出之间潜在关系的变化作为可能的驱动因素。DBShap 提供的解释可以用于了解漂移的根本原因，并用于使模型对漂移具有鲁棒性。

    Jan, 2024

  • 使用 Shapley Value 进行模型解释的预测和因果推论

    本文探讨了 Shapley 值在贝叶斯网络框架下的应用，分析了 Shapley 值与条件独立性的关系，并发现高 Shapley 值的变量不一定对模型预测性能有显著影响，而低 Shapley 值的变量可能会导致较差的预测结果。因此，在一般情况下，使用 Shapley 值进行特征选择并不一定能建立起最简单和预测性最优的模型，而且 Shapley 值不反映变量与目标之间的因果关系。

    Aug, 2020

  • L-Shapley 和 C-Shapley：用于结构化数据的高效模型解释

    本研究探讨了实例级特征重要性评分作为模型解释方法，并提出两种线性复杂度的算法来评估图结构数据中的特征贡献，并与其他模型解释方法进行比较。

    Aug, 2018

  • 当特征具有依赖性时解释单个预测：更准确的 Shapley 值逼近

    本文介绍了使用 Shapley 值框架及其高维的计算有效近似，使复杂机器学习模型在解释各远行预测时更具可解释性，同时提出了处理相关特征的方法，增强了解释精度。

    Mar, 2019

  • 无法实现数据的变量重要性

    使用合作谢普利方法（Cohort Shapley）来验证黑盒预测算法的重要变量，并通过经济博弈理论来量化变量的重要性。该方法可以用于算法公平性问题，以确定受保护变量的重要性，并通过贝叶斯自助法估计 Shapley 值的不确定性。

    May, 2022

  • 基于 Shapley 值的解释存在的特征重要性度量问题

    采用博弈论方法计算机器学习模型特征重要性的数学问题存在和 Shapley 值并不能很好地解释人类可解释目标的论证以及需要因果推理等技术增加复杂性。

    Feb, 2020

  • 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

  • Powershap: 一种强大的 Shapley 特征选择方法

    本论文提出了一种基于统计假设检验和 Shapley 值的新型包装特征选择方法 powershap，通过对预测结果的影响进行快速且直观的特征选择。该方法速度更快且价格更具竞争力，并且由于实现为 sklearn 组件，可以轻松集成到数据科学流程中。

    Jun, 2022

  • 机器学习中的 Shapley 值

    本文介绍了合作博弈理论的基本概念以及 Shapley value 的公理性质，概述了其在机器学习中的最重要应用：特征选择，可解释性，多智能体强化学习，集成修剪和数据估价，指出了 Shapley value 的主要局限性和未来研究方向。

    Feb, 2022