.png){kind=icon}
返回
Explainable Optimal Random Forest model with conversational interface
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110134.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）模型现已融入我们的日常生活，并对每个人产生显著影响。当用户被给予模型决策的清晰且相关的解释时，他们可以理解模型行为背后的原因和逻辑，这有助于建立对模型的信任。本文为最优随机森林模型提出了一种零级可解释性方法，该方法整合了具有自解释性的最优稀疏决策树。该方法还包括将实例相关的子树向量化，随后进行降维和聚类。该方法增强了可解释性，确保所提供解释的高保真度。同时，本文还提出了一个用于解释模型决策的对话界面。实验分析在四个基准数据集上进行，即短信垃圾邮件收集数据集（分类问题：判断短信为正常或垃圾邮件）、鸢尾花数据集（分类问题：基于萼片和花瓣数据的长度和宽度信息判断是否为山鸢尾）、井字棋终局数据集（基于棋盘位置内容和对应的类别标签）以及心脏病数据集（分类问题：判断是否易患心脏病）。实验分析表明，最优随机森林模型在保持泛化能力和性能不受影响的前提下，具有可解释性。此外，还将其与源自广义随机森林模型和支持向量机模型的Shapley加性解释（SHAP）以及规则学习+投票模型进行了比较。结果表明该算法具有优势。
Keyword:
Explainability
Explainable Artificial Intelligence
Optimal Random Forest
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
分享收藏Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI)窥视黑匣子: 关于可解释人工智能 (XAI) 的调查.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容