Aug, 2023

足球中期望进球模型的全球 / 本地解释

PDF
TL;DR该研究介绍了期望目标模型的全局解释（介于局部和全局之间），通过提出使用 SHAP 值和部分依赖配置文件的聚合版本，实现在团队和球员水平上进行性能分析，以从期望目标模型中提取球员或团队的知识而不仅仅是单个射门。此外，我们进行了真实数据应用来说明聚合的 SHAP 值和聚合性能配置文件的有用性。该论文最终对这些解释在足球分析中的性能分析潜力进行了讨论。
expected goal modelsinterpretabilityexplainable artificial intelligenceglocal explanationsperformance analysis
发现论文，激发创造
  • 为什么我要相信您的数字？" 关于足球中预期值的可解释性

    介绍了可解释的广义加性模型，旨在帮助科学家和从业者之间的理解和沟通；与这个主题相关的是足球玩家表现，对于这个主题，目前主要的挑战是直接量化足球玩家的表现；而阐释生产出的指标的可理解性通常比模型的准确性更重要。

    May, 2021

  • 预测职业足球市场价值：可解释机器学习模型的见解

    本文提出了一种创新的方法，利用可解释机器学习模型预测职业足球运动员的市场价值。使用从 FIFA 网站整理的数据集，我们采用集成机器学习方法结合 Shapley Additive exPlanations (SHAP) 来提供模型预测的详细解释。GBDT 模型在评估模型中表现出最高的平均 R-Squared（0.8780）和最低的平均均方根误差（3,221,632.175），表明其在性能上卓越。我们的分析发现，球控、短传、射门、拦截、带球和抢断等特定技能在技能维度上很重要，而冲刺速度和加速度在健身维度上至关重要，反应在认知维度上占主导地位。我们的结果为市场价值估计提供了更准确、客观和一致的框架，并为球员转会的管理决策提供了有用的见解。

    Nov, 2023

  • 黑匣子模型的全局局部解释

    本研究提出了一种名为 GALE 的机器学习模型，旨在提供有关模型全局决策过程的洞见。结果表明，聚合方法的选择很重要，我们的提出的聚合方法能更好地代表特征如何影响模型的预测，并通过识别区分性特征提供全局洞见。

    Jul, 2019

  • GLocalX -- 从本地到全局的黑匣子 AI 模型解释

    GLocalX 是一种基于本地解释的模型无关的解释方法，通过汇总本地解释解释部分理解黑匣子模型，从而学习精确而简单的可解释模型，以替代黑匣子模型。实验证明，GLocalX 能够准确地模拟几种模型，其性能达到本机全局解决方案的最新水平，这为在带有高维数据的复杂领域中实现高准确性和可理解性的分类模型奠定了基础。

    Jan, 2021

  • 运用可解释模型预测排球比赛结果的案例研究

    本文探讨了一种两阶段的可解释的人工智能方法，用于预测巴西排球联赛中比赛的结果。该方法使用支持向量机和深度神经网络来获得预测性能，并使用 ProtoDash 和 SHAP 构建数据实例的后处理解释说明模型的预测。结果表明，模型预测的解释有效。

    Jun, 2022

  • 神经网络的全局解释：预测的映射景观

    该研究提出了一种名为 GAM 的方法，可以生成全局归因，解释神经网络预测的全局地貌。该方法在仿真数据和真实数据上得到了验证，并且通过用户研究证明了对实践者的直观性，以提高神经网络决策的透明度。

    Feb, 2019

  • 机器学习预测的局部和全局可解释度度量

    本文提供了一种新颖的量化指标框架，用于解释分类器和回归模型的预测结果，旨在提高人工智能系统的透明度和可信度。应用公开数据集，展示了这些指标如何更全面地理解模型预测，并在决策者和利益相关者之间促进更好的沟通，从而增加人工智能系统的整体透明度和问责度。

    Feb, 2023

  • 传统机器学习模型解释方法比较第一部分：目前方法概述及其不一致性量化

    这篇论文探讨了机器学习模型的可解释性和可解释性，特别是关于本地和全局可解释性以及特征重要性和相关性的方法，并提供了一个完整的 Python 软件包来允许未来的研究人员探索这些产品；根据对严重天气预测和亚冰点路面温度预测的 ML 模型开发的研究， 发现有关特征排名和特征效果的解释方法之间存在显着不一致，并提供建议来处理这些分歧；最后，建议在未来的研究中使用 tree interpreter 方法来探究特征效果。

    Nov, 2022

  • Bayes-xG: 使用贝叶斯分层方法对期望进球（xG）进行球员和位置校正

    使用贝叶斯方法研究选手或位置因素对预测进球概率的影响，并发现了位置和选手效应对预测进球概率的影响，同时也评估了先验分布选择对结果的影响。

    Nov, 2023

  • 机器学习模型中的统一解释：一种扰动方法

    面向可解释人工智能（XAI）的高速范式转变已在近年来出现。高度复杂的机器学习（ML）模型在许多智能任务中蓬勃发展，而问题开始从传统的有效性度量转向更深层次的问题：该模型告诉我关于我的数据什么，它是如何得出这些结论的？XAI 和建模技术之间的不一致可能对这些解释性方法的效力产生质疑。为了解决这些问题，我们提出了一种针对流行的 XAI 的模型不可知方法 SHapley Additive exPlanations（Shap）进行系统的扰动分析。我们设计了一些算法，在动态推理的设置下生成相对特征重要性，这些设置针对一套流行的机器学习和深度学习方法，以及允许我们量化静态情况下生成解释的质量的度量指标。我们提出了特征重要性方法论的分类体系，度量了一致性，并观察了几个数据集中解释模型之间的可量化相似性。

    May, 2024