論文の概要: Interactive Decision Tree Creation and Enhancement with Complete
Visualization for Explainable Modeling
- arxiv url: http://arxiv.org/abs/2305.18432v1
- Date: Sun, 28 May 2023 23:44:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 21:14:50.070654
- Title: Interactive Decision Tree Creation and Enhancement with Complete
Visualization for Explainable Modeling
- Title（参考訳）: 説明可能なモデリングのための完全可視化による対話型決定木作成と拡張
- Authors: Boris Kovalerchuk Andrew Dunn, Alex Worland, Sridevi Wagle
- Abstract要約: 決定木(DT)は、多くのブラックボックスMLモデルを理解するために使用されるため、機械学習(ML)において必須である。
完全な視覚的決定木による作成と拡張のための2つの新しい手法を提案する。
- 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: To increase the interpretability and prediction accuracy of the Machine
Learning (ML) models, visualization of ML models is a key part of the ML
process. Decision Trees (DTs) are essential in machine learning (ML) because
they are used to understand many black box ML models including Deep Learning
models. In this research, two new methods for creation and enhancement with
complete visualizing Decision Trees as understandable models are suggested.
These methods use two versions of General Line Coordinates (GLC): Bended
Coordinates (BC) and Shifted Paired Coordinates (SPC). The Bended Coordinates
are a set of line coordinates, where each coordinate is bended in a threshold
point of the respective DT node. In SPC, each n-D point is visualized in a set
of shifted pairs of 2-D Cartesian coordinates as a directed graph. These new
methods expand and complement the capabilities of existing methods to visualize
DT models more completely. These capabilities allow us to observe and analyze:
(1) relations between attributes, (2) individual cases relative to the DT
structure, (3) data flow in the DT, (4) sensitivity of each split threshold in
the DT nodes, and (5) density of cases in parts of the n-D space. These
features are critical for DT models' performance evaluation and improvement by
domain experts and end users as they help to prevent overgeneralization and
overfitting of the models. The advantages of this methodology are illustrated
in the case studies on benchmark real-world datasets. The paper also
demonstrates how to generalize them for decision tree visualizations in
different General Line Coordinates.
- Abstract（参考訳）: 機械学習(ML)モデルの解釈可能性と予測精度を高めるため、MLモデルの可視化はMLプロセスの重要な部分である。
決定木(DT)は、ディープラーニングモデルを含む多くのブラックボックスMLモデルを理解するために使用されるため、機械学習(ML)において不可欠である。
本研究では,決定木を理解可能なモデルとして完全可視化する2つの新しい手法を提案する。
これらの手法は、GLC(General Line Coordinates)とBC(Bended Coordinates)とSPC(Shifted Paired Coordinates)の2つのバージョンを使用する。
曲げ座標は線座標の集合であり、各座標は各DTノードのしきい値点に曲げられる。
spcでは、各 n-d 点を 2-次元デカルト座標のシフト対を有向グラフとして可視化する。
これらの新しいメソッドは、DTモデルをより完全に視覚化する既存のメソッドの機能を拡張し、補完する。
これらの機能は,(1)属性間の関係,(2)DT構造に対する個々のケース,(3)DT内のデータフロー,(4)DTノード内の各分割しきい値の感度,(5)N-D空間の一部のケースの密度,の観測と解析を可能にする。
これらの機能は、DTモデルの過剰な一般化や過度な適合を防ぐのに役立つため、ドメインの専門家やエンドユーザによるDTモデルのパフォーマンス評価と改善に不可欠である。
この手法の利点は、実世界のベンチマークデータセットのケーススタディで説明される。
この論文は、異なる一般線座標における決定木の可視化のためにそれらを一般化する方法も示している。
関連論文リスト
- Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。
各パーティション内に1つのプリミティブを導出するために空間分割を適用する。
我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
論文 参考訳（メタデータ） (2024-06-07T21:07:49Z) - General Line Coordinates in 3D [2.9465623430708905]
3Dビジュアライゼーションにおける解釈可能なインタラクティブな視覚パターン発見は、機械学習を前進させる有望な方法である。
GLC (3D General Line Coordinates) 可視化空間で行われ、3D内のすべてのn-D情報を保存している。
論文 参考訳（メタデータ） (2024-03-17T17:42:20Z) - Full High-Dimensional Intelligible Learning In 2-D Lossless
Visualization Space [7.005458308454871]
本研究では,2次元可視化空間(2次元ML)における機械学習分類タスクの新しい手法について検討する。
これは、抽象的なn次元空間でn次元データを処理する必要のない、完全な機械学習アプローチであることが示されている。
2次元空間におけるn-Dパターンの発見を可能にし、n-Dデータのグラフ表現を用いてn-D情報を失うことなく2次元空間におけるn-Dパターンの発見を可能にする。
論文 参考訳（メタデータ） (2023-05-29T00:21:56Z) - Tree Mover's Distance: Bridging Graph Metrics and Stability of Graph
Neural Networks [54.225220638606814]
本稿では,属性グラフの擬似測度,ツリー・モーバー距離(TMD)を提案し,その一般化との関係について検討する。
まず、TMDはグラフ分類に関連する特性をキャプチャし、単純なTMD-SVMは標準のGNNと競合することを示す。
第2に、分散シフトの下でのGNNの一般化とTMDを関連付け、そのようなシフト下での性能低下とよく相関していることを示す。
論文 参考訳（メタデータ） (2022-10-04T21:03:52Z) - Visualization of Decision Trees based on General Line Coordinates to
Support Explainable Models [5.276232626689567]
本稿では,決定木(DT)を解釈可能なモデルとして可視化する新しいSPC-DT法を提案する。
SPCでは、各n-D点を2-Dカルテシアン座標のシフトした対を有向グラフとして視覚化する。
1)属性間の関係、(2)DT構造に対する個々のケース、(3)DT内のデータフロー、(4)各分割がDTノードのしきい値にどれだけきつくか、(5)n-D空間の一部のケースの密度を示す。
論文 参考訳（メタデータ） (2022-05-09T04:49:29Z) - Contrastive Neighborhood Alignment [81.65103777329874]
本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。
対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。
CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
論文 参考訳（メタデータ） (2022-01-06T04:58:31Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳（メタデータ） (2021-06-17T12:25:44Z) - Full interpretable machine learning in 2D with inline coordinates [9.13755431537592]
これは、n次元空間におけるn次元データを扱う必要がない完全な機械学習アプローチである。
2次元空間におけるn-Dパターンの発見は、2次元空間におけるn-Dデータのグラフ表現を用いてn-D情報を失うことなく可能である。
これらのインライン座標に基づく分類と回帰アルゴリズムを導入した。
論文 参考訳（メタデータ） (2021-06-14T16:21:06Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳（メタデータ） (2020-12-16T13:48:48Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z)
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。