Explainability of machine learning models under missing data

Tuan L. Vo

doi:10.1016/j.asoc.2026.115105

Explainability of machine learning models under missing data

2026-03-23

0

PRE

AI

DOI：10.1016/j.asoc.2026.115105

原文链接

原文求助

摘要

En 中文

• 插补对模型可解释性的影响：不同的插补方法显著影响Shapley值，进而影响机器学习模型中特征重要性和交互作用的解释。 • 预测准确性与可解释性之间的权衡：测试预测的均方误差（MSE）降低并不必然对应Shapley值的均方误差降低，凸显了插补准确性与可解释性保留之间的权衡。 • 数据集和缺失率依赖性：插补方法对Shapley值的影响因数据集而异，且随着缺失数据率的增加而更加显著，强调了需要针对具体情境的插补策略。 • XGBoost直接处理缺失数据的局限性：尽管XGBoost能够直接处理缺失数据，但相较于使用插补数据，其通常会导致Shapley值更显著的扭曲，引发了可解释性的担忧。 • 插补方法选择的实践指导：本研究为基于数据集特征、缺失率以及准确性与可解释性权衡选择插补方法提供了见解和建议。

Keyword:

Imputation methods

Shapley values

Model explainability

Missing data

Feature importance

Explainability of machine learning models under missing data

摘要

期刊

机构