Apr, 2024

决策树与局部可解释模型无关解释技术（LIME）和多元线性回归方法在根均方误差（RMSE）值方面解释支持向量回归模型的比较

PDF
TL;DR决策树被用于解释支持向量回归模型，并与 LIME 和多元线性回归进行比较。在 5 个数据集上的比较结果表明，决策树在支持向量回归拟合时相对于 LIME 给出较低的 RMSE 值的概率为 87%，结果具有统计学意义。而多元线性回归在支持向量回归模型拟合时相对于 LIME 给出较低的 RMSE 值的概率为 73%，但结果没有统计学意义。此外，在作为本地解释技术使用时，决策树比 LIME 表现更好，结果具有统计学意义。
decision treessupport vector regressionlimemulti linear regressionrmse value
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • GLIME: 通用、稳定和本地的 LIME 解释

    解释黑盒机器学习模型的预测的方法 LIME 存在随机种子不稳定和局部准确率低的问题，通过引入增强框架 GLIME 解决了这些挑战，提供了相对稳定且拥有更高局部准确率的解释。

    Nov, 2023

  • 新的回归算法的表现评估和比较

    比较新提出的回归算法与传统机器学习算法（决策树、随机森林、KNN 和 XG Boost）的性能，使用平均绝对误差作为性能度量标准在各种数据集上进行深入比较，展示了新的算法具有的潜力和鲁棒性。

    Jun, 2023

  • 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

  • S-LIME: 模型解释的稳定化 LIME

    研究黑盒机器学习模型的解释方法，提出一种基于中心极限定理的假设测试框架方法，名为 S-LIME，以保证解释结果的稳定性，实验结果在模拟和真实数据集上表明该方法的有效性。

    Jun, 2021

  • 基于局部不变学习的本地不变解释：实现稳定单向解释

    提出了一种基于不变风险最小化 (IRM) 原则的模型无关局部解释方法，该方法能够稳定、直观地生成高保真度解释，该方法通过消除黑盒函数梯度在附近范围内突然变化的特征，实现了与实际邻居方法相当甚至更好的解释质量，同时没有必要花费过多时间来学习邻居结构。

    Jan, 2022

  • 超越 LIME 的替代预测解释

    本文提出一种算法框架 bLIMEy，用于构建定制的本地替代解释器，其中包括 LIME，该框架独立且可互操作，并讨论了组件选择对结果解释器功能能力的影响。

    Oct, 2019