論文の概要: Instance-based Explanations for Gradient Boosting Machine Predictions with AXIL Weights

• arxiv url: http://arxiv.org/abs/2301.01864v1
• Date: Thu, 5 Jan 2023 01:03:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 13:33:27.710502
• Title: Instance-based Explanations for Gradient Boosting Machine Predictions with AXIL Weights
• Title（参考訳）: AXIL重み付きグラディエントブースティングマシン予測のためのインスタンスベース説明
• Authors: Paul Geertsema and Helen Lu
• Abstract要約: 本研究では,線形モデルとツリーモデルとの回帰予測を,学習データ中の対象インスタンスの線形結合として表現できることを示す。 また、ランダム・フォレストやグラディエント・ブースティング・マシンズなど、木々のアンサンブルとして構築されたモデルにも当てはまる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We show that regression predictions from linear and tree-based models can be represented as linear combinations of target instances in the training data. This also holds for models constructed as ensembles of trees, including Random Forests and Gradient Boosting Machines. The weights used in these linear combinations are measures of instance importance, complementing existing measures of feature importance, such as SHAP and LIME. We refer to these measures as AXIL weights (Additive eXplanations with Instance Loadings). Since AXIL weights are additive across instances, they offer both local and global explanations. Our work contributes to the broader effort to make machine learning predictions more interpretable and explainable.
• Abstract（参考訳）: 線形および木に基づくモデルからの回帰予測を,訓練データにおける対象インスタンスの線形結合として表現できることを示す。 これはまた、ランダムな森林や勾配ブースティングマシンを含む木々のアンサンブルとして構築されたモデルにも当てはまる。 これらの線形結合で用いられる重みは、SHAPやLIMEのような既存の特徴重要度尺度を補完する例の重要度尺度である。 これらの尺度をアクシル重み (axil weights) と呼ぶ(インスタンスのロードを伴う付加的な説明)。 AXILの重みはインスタンス間で付加的であるため、ローカルとグローバルの両方の説明を提供する。 私たちの研究は、機械学習の予測をより解釈可能で説明しやすいものにするための幅広い努力に貢献しています。

関連論文リスト

• Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
  コンポーネントモデリングというタスクを導入します。 コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。 コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
  論文  参考訳（メタデータ） (2024-04-17T16:28:08Z)
• On the Origins of Linear Representations in Large Language Models [51.88404605700344]
  我々は,次のトークン予測の概念力学を定式化するために,単純な潜在変数モデルを導入する。 実験により、潜在変数モデルと一致するデータから学習すると線形表現が現れることが示された。 また、LLaMA-2大言語モデルを用いて、理論のいくつかの予測を検証した。
  論文  参考訳（メタデータ） (2024-03-06T17:17:36Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Augmented balancing weights as linear regression [3.877356414450364]
  自動脱バイアス機械学習(AutoDML)としても知られる拡張バランスウェイトの特徴を新たに提供する。 拡張推定器は、元の結果モデルから得られる係数と、不注意な通常の最小二乗(OLS)から得られる係数を同じデータに組み合わせた単一の線形モデルと等価であることを示す。 私たちのフレームワークは、この人気の高い推定器のクラスにブラックボックスを開きます。
  論文  参考訳（メタデータ） (2023-04-27T21:53:54Z)
• SHAP for additively modeled features in a boosted trees model [0.0]
  これらの特徴を加法的にモデル化した樹木モデルの場合、SHAP依存プロットはその部分依存プロットと垂直シフトに対応することを示す。
  論文  参考訳（メタデータ） (2022-07-29T05:56:00Z)
• Exploring Local Explanations of Nonlinear Models Using Animated Linear Projections [5.524804393257921]
  eXplainable AI(XAI)を使用して、モデルが予測器を使用して予測に到達する方法を示す。 予測器間の相互作用が変数重要度推定にどのように影響するかを理解するために,LVAを線形射影に変換することができる。 このアプローチは、分類学的(ペンギン種、チョコレートタイプ)と定量的(靴と足の給与、住宅価格)の応答モデルから例を示します。
  論文  参考訳（メタデータ） (2022-05-11T09:11:02Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Estimating informativeness of samples with Smooth Unique Information [108.25192785062367]
  サンプルが最終的な重みを知らせる量と、重みによって計算される関数を知らせる量を測定します。 線形化ネットワークを用いてこれらの量の効率的な近似を行う。 本稿では,データセットの要約など,いくつかの問題に適用する。
  論文  参考訳（メタデータ） (2021-01-17T10:29:29Z)
• Deducing neighborhoods of classes from a fitted model [68.8204255655161]
  本稿では,新しいタイプの解釈可能な機械学習手法を提案する。 量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。 基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
  論文  参考訳（メタデータ） (2020-09-11T16:35:53Z)
• Graph Prolongation Convolutional Networks: Explicitly Multiscale Machine Learning on Graphs with Applications to Modeling of Cytoskeleton [0.0]
  我々は新しいタイプのアンサンブルグラフ畳み込みネットワーク(GCN)モデルを定義する。 グラフの空間スケール間のマッピングに最適化された線形射影演算子を用いて、このアンサンブルモデルは、最終的な予測のために各スケールからの情報を集約することを学ぶ。
  論文  参考訳（メタデータ） (2020-02-14T01:56:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。