.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
树集成模型因在表格数据上表现出强大的性能，在众多应用中展现出独特的价值与有效性。然而，尽管其复杂的集成机制能够提升泛化能力，却降低了可解释性，这限制了其在医疗、保险等信任敏感领域的应用。为解决此问题，本研究提出APtree，一种针对已训练树集成模型的全新全局后验解释方法。APtree将全局解释问题重新表述为函数逼近问题，借助实分析概念对任务进行离散化，并将解释呈现为单棵决策树。该过程中的目标函数可根据不同实际场景进行定制，本研究对其设计进行了深入的理论探讨。值得注意的是，APtree方法可应用于依赖型树集成模型（如梯度提升树）的多分类任务，而大多数其他方法仅限于独立型树集成模型或二分类任务。一系列实验验证了APtree解释的有效性。结果表明，APtree能够持续为树集成模型提供忠实见解，并在泛化准确率与F1分数方面超越现有最优方法。此外，由于具备高忠实度，APtree在提供简化、透明与可解释性的同时，展现出与原始树集成模型相当的分类能力。
Keyword:
Explainable machine learning
Global explanation
Tree ensemble
Interpretable modeling
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
暂无机构信息
引用论文
RuleCOSI plus : Rule extraction for interpreting classification tree ensembles.png)
INFORMATION FUSION.png)
OAAI
INFORMATION FUSIONIF15.5
OAAI.png){kind=icon}
分享.png){kind=icon}
收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容