Multilayer machine learning with visual knowledge discovery

doi:10.1177/14738716251363233

2025-09-01

PRE

Boris Kovalerchuk *

Huber, Lincoln

DOI：10.1177/14738716251363233

原文链接

原文求助

摘要

En 中文

提高领域专家对机器学习（ML）模型的信任需要可解释的模型。然而，仅采用可解释技术可能不足以获得此类模型信任。原因包括模型精度不足、过拟合、过度泛化、解释过于复杂等。提出将多层/多级ML和无损可视化方法集成到高维数据中，以帮助解决这些挑战。多层/多级ML方法已被广泛开发，以捕捉复杂关系，特别是在现代深度学习（DL）方法中。基于图的无损可视化方法作为高维数据的新兴技术，旨在替代有损降维方法，以无n-D信息损失的方式表示高维ML信息。这些方法在视觉知识发现（VKD）范式中使用通用线坐标（GLC），以视觉形式创建可解释且可逆的n-D表示，旨在增加用户对ML模型的信任。然而，在查看大量数据时，遮挡会影响视觉方法。多层/多级和可视化方法都面临对用户过于复杂的问题。本文通过开发基于超矩形/超块/超盒子的多层/多级ML方法，并在多个级别进行分类器分解，作为多层/多级ML和可视化的简单基本元素，以适应这些挑战。所提集成方法的有效性在数值数据和图像的多个案例研究中得到验证。此方法的主要优势在于提高了泛化能力，并提供了更简单的可解释规则，以增强用户对每次分类的信心。

Keyword:

visual knowledge discovery

explainable machine learning

general line coordinates

machine learning

visualization

classification