.png){kind=icon}
返回
Individual variable priority: a model-independent local gradient method for variable importance
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-025-11339-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统变量重要性度量量化了整体特征贡献，但通常忽视了个体层面的异质性。一些新方法试图解决这一局限性，但仍然依赖模型且可能引入偏差。我们提出了个体变量优先级（iVarPro），作为变量优先级（VarPro）框架的扩展，该框架使用基于规则的、数据驱动的划分方法来估计条件均值函数的梯度。通过关注梯度，iVarPro捕捉了变量微小扰动如何影响个体结果，提供了更精确且可解释的重要性度量。为证明其优势，我们进行了模拟实验并分析了一个真实世界的生存数据集。结果表明，iVarPro通过灵活利用局部样本，更准确地捕捉了真实的函数关系。
Keyword:
Conditional expectation
Local gradient (partial derivative)
Individual variable importance
Release region
Variable selection
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
Explaining individual predictions when features are dependent: More accurate approximations to Shapley values当特征依赖时解释单个预测: 更准确地逼近Shapley值OAAI
OAAI分享收藏Restricted Mean Survival Time as a Measure to Interpret Clinical Trial Results.png)
JAMA CARDIOLOGYOAAI
JAMA CARDIOLOGYIF14.1
OAAI分享收藏A simple approach for local and global variable importance in nonlinear regression models非线性回归模型中局部和全局变量重要性的简单方法
IF0
PREAI
分享收藏Prognostic Value of a Treadmill Exercise Score in Outpatients with Suspected Coronary Artery Disease
OAAI
OAAI分享收藏The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets在不平衡数据集上评估二元分类器时，精确召回率图比ROC图更具信息性PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏
查看更多内容