Probabilistic scoring lists for interpretable machine learning

Jonas Hanselle

doi:10.1007/s10994-024-06705-w

Probabilistic scoring lists for interpretable machine learning

2025-02-06

0

OA

AI

DOI：10.1007/s10994-024-06705-w

原文链接

原文求助

摘要

En 中文

评分系统是一种简单的决策模型，它检查一组特征，对每个满足的特征给总分增加一定数量的积分，最后通过将总分与阈值进行比较来做出决策。评分系统在医疗保健和司法等安全关键领域具有长期且活跃的应用历史，在这些领域中，它们为做出客观准确的决策提供指导。鉴于其固有的可解释性，从数据中学习评分系统的想法显然符合可解释人工智能的视角。在本文中，我们提出了一种具有实际动机的评分系统扩展，称为概率评分列表（PSL），以及一种从数据中学习PSLs的方法。与做出确定性决策不同，PSL以概率分布的形式，或更一般地，以概率区间来表示不确定性。此外，本着决策列表的精神，PSL逐个评估特征，并在能够以足够信心做出决策时立即停止。为了评估我们的方法，我们在医疗领域和标准基准数据上进行了案例研究。

Keyword:

Machine learning

Decision support

Scoring systems

Uncertainty representation

Calibration

Probabilistic scoring lists for interpretable machine learning

摘要

期刊

机构