基于梯度提升树的ALE图特征解释效果分析OA北大核心CHSSCDCSTPCD
理解特征效应有助于机器学习模型进行调优与预测结果解读,累积局部效应(ALE)图是一种独立于模型的黑盒预测特征解释新方法,文章基于梯度提升树分析其稳定性与解释效果。首先,推导输入特征服从联合高斯分布的累积局部效应与偏相关函数,分析特征间相关性的影响;其次,对估计的稳定性与特征效应解释的效果进行模拟研究,并提出将纵坐标统一设置用于特征选择参考;最后,针对实际数据集给出ALE图的应用实例,并将特征解释结论与传统统计模型显著性分析进行对比。
闵素芹;
中国传媒大学数据科学与智能媒体学院,北京100024
数学
累积局部效应ALE图特征解释偏相关梯度提升树
《统计与决策》 2024 (003)
P.57-62 / 6
国家社会科学基金资助项目(21BGJ042)。
评论