Oct, 2023

机器学习预测离婚：洞察与 LIME 可解释性

PDF
TL;DR通过评估名为 “离婚预测数据集” 的数据集，使用六种不同的机器学习算法（Logistic Regression，Linear Discriminant Analysis，K-Nearest Neighbors，Classification and Regression Trees，Gaussian Naive Bayes 和 Support Vector Machines），进行离婚预测，并使用 LIME（Local Interpretable Model-Agnostic Explanations）对预测概率进行详细解释，最终开发了一款离婚预测应用程序，用于帮助人们判断他们的关系状况。
divorcemental healthmachine learning algorithmsprediction probabilitiesdivorce predictor app
发现论文，激发创造
  • 机器学习算法在人口统计学上的公正性

    研究俄罗斯人口数据的分类器的公平性问题，提出了使用 “特征丢弃” 来解决过程公平性，同时使用 “LIME 解释” 来评估分类器的公平性和决定敏感特征的消除，结果表明所有的模型都变得不再依赖于敏感特征，并表现出更好或没有影响的准确性。

    Feb, 2022

  • 预测赡养费案件的法院裁决：避免非法律因素，关注法官决策和可理解的 AI 模型

    通过使用大量的法庭离婚案例并观察允许分配抚养费的变量，本研究通过结合分类和随机森林回归模型，提供了一个可解释的人工智能模型，旨在作为现有决策工具的补充，以更好地理解法官所做的决策机制。

    Jul, 2020

  • DLIME：基于确定性的本地可解释模型无关解释方法应用于计算机辅助诊断系统

    提出了确定性局部可解释的模型无关解释技术 (DLIME) 来解决 LIME 技术中由于随机扰动和特征选择方法导致的解释生成不稳定的问题，在三个不同的医疗数据集上实验表明 DLIME 相比 LIME 具有更好的稳定性，这对于在医学 CAD 系统中的部署非常重要。

    Jun, 2019

  • 基于监督分区的局部可解释模型和效果 (LIME-SUP)

    本文提出了基于树状结构的局部解释机器学习模型方法 LIME-SUP，相较于基于聚类 KLIME 方法，LIME-SUP 具有更好的解释性，并且在实证研究中表现更优。

    Jun, 2018

  • 使用可解释的机器学习模型预测飓风疏散决策

    本研究提出了一种基于易获取的人口和资源预测因素的方法来预测家庭疏散决策，结合一个自动计算非线性阈值的可解释机器学习方法，其结果表明，在解释家庭疏散决策的变化和预测能力方面，增强的逻辑回归模型比以前的线性模型更具说服力，可为应急管理部门提供一种新的工具和框架来及时准确地评估疏散需求。

    Mar, 2023

  • 为什么我应该信任你？": 解释任何分类器的预测

    本文提出了一种可解释性的机器学习算法解释技术 ——LIME，基于该技术可以在一个可解释且可靠的小规模模型内对任何分类器的预测进行解释，从而提高了可信度和可理解性，实现了对于信任度的估计及诸多信任场景的适用性。

    Feb, 2016

  • OptiLIME: 优化的 LIME 算法解释 —— 针对诊断计算算法

    本文介绍了一种用于解释任何类型的机器学习模型的流行方法：局部可解释的模型无关解释（LIME）。该方法通过学习围绕预测的简单线性模型来解释一个预测，但其主要缺点是不稳定性。论文提出了一个称为 OptiLIME 的框架，以最大化稳定性，同时保留预定义水平的粘附性，并且对所得到的解释的数学属性进行了明确的突出显示。

    Jun, 2020

  • 解释解释器：LIME 的首个理论分析

    该文提供了 LIME 算法的首个理论分析，当函数为线性函数时，我们为可解释模型的系数导出了闭式表达式，其中这些系数与被解释函数的梯度成正比，但分析也揭示了 LIME 在选择参数不当时可能会错过重要的特征。

    Jan, 2020

  • 文本数据中 LIME 的分析

    本文对 LIME 在文本数据上的使用进行了首次理论分析，发现 LIME 能够对简单模型（决策树和线性模型）提供有意义的解释。

    Oct, 2020

  • 通过探索性数据分析和可解释机器学习探寻男性家庭暴力

    对孟加拉国男性家庭暴力（MDV）进行了首次探索，揭示了其普遍性、模式和潜在因素，研究结果挑战了家庭暴力主要影响女性的普遍观念，强调了为男性受害者提供量身定制的干预和支持体系的必要性。机器学习技术在数据分析和理解方面起到了积极的作用。

    Mar, 2024