Цель этой статьи — оценить влияние временного взвешивания, причинного вывода и иерархической атрибуции на оптимизацию интерпретируемости.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Цель этой статьи — оценить влияние временного взвешивания, причинного вывода и иерархической атрибуции на оптимизацию интерпретируемости.
За последние несколько лет потребность в прозрачности и интерпретируемости усилилась благодаря значительным достижениям в моделях, основанных на данных, что привело к появлению объяснимого искусственного интеллекта (XAI). Преобладают несколько традиционных подходов XAI; однако у них ограниченная компетентность в интерпретации динамических отношений. Текущие исследования направлены на устранение этого ограничения, предложив новую структуру Ensemble SHapley Additive exPlanations (SHAP), которая сосредоточена на временном взвешивании, причинном выводе, иерархической атрибуции и оптимизации интерпретируемости, называемой TCHSHAP. TCHSHAP отдаёт приоритет текущей информации над исторической, посредством временного взвешивания через экспоненциальное затухание. Кроме того, причинный вывод отделяет корреляцию от причинности для получения практических инсайтов. Кроме того, иерархическая атрибуция позволяет получать инсайты на детализированном (региональном уровне) и агрегированных уровнях (влияние на группы признаков). Эти подходы интегрированы для достижения более интерпретируемой и объяснимой модели. Для проверки эффективности предлагаемой модели мы проводим эксперимент с набором данных по урожайности культур, собранным из Kaggle. Перед экспериментальной оценкой предварительная обработка данных выполняется с использованием однофазного кодирования. Нормализация данных осуществляется с минимальным масштабированием, а выбросы удаляются через межквартильный диапазон. Для экспериментальной оценки авторы использовали модель SHAP XAI для Random Forest. При оценке эффективности предлагаемой модели TCHSHAP наблюдается, что хотя средний прогноз для традиционного SHAP составляет 161,137, он увеличивается до 161,506 после включения временного взвешивания и причинного вывода, что подтверждает эффективность использования временной и причинной значимости. Кроме того, при иерархической атрибуции наблюдается, что сельскохозяйственные особенности имеют наибольшее превосходство над целевой переменной. За этим доминированием следуют географические и экологические факторы в порядке. Таким образом, полученные результаты подтверждают эффективность предлагаемого подхода для повышения глобальной и локальной интерпретируемости, укрепляя доверие пользователя к прогнозам моделей. Текущая работа предлагает пути повышения прозрачности и интерпретируемости без ущерба для производительности модели. Предлагаемая модель также обеспечивает интерпретируемое и эффективное регрессионное моделирование в сложных приложениях, основанных на данных, что позволяет широко применять её в реальных условиях.
Регрессия играет важную роль в прогнозной аналитике, охватывая несколько областей, включая климатическое моделирование, финансовое прогнозирование, диагностику в здравоохранении и оценку урожайности в сельскомхозяйстве 1,2. Однако необъяснимые результаты регрессионных моделей, особенно нелинейных и высокоёмких моделей, таких как градиентные бустерные машины (GBM), случайные леса и глубокие нейронные сети (DNN), создают серьёзные трудности, особенно для приложений, требующих прозрачности и практических инсайтов. Этот разрыв в интерпретируемости можно преодолеть с помощью Объясн....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
ПРИМЕЧАНИЕ: В этом разделе рассматривается предлагаемый метод ансамбля, включая все предлагаемые поправки, как показано на рисунке 1.
Подготовка данных
Для подтверждения эффективности предлагаемой структуры авторы провели эксперимент с набором данных о урожайности, собранным изKaggle 17. Этот набор данных состоит из сельскохозяйственных данных Индии по различным культурам с 1997 по 2020 годы и был получен в марте 2025 года. Этот набор данных включает множество характеристик, а именно сезон, crop_year, удобрени....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В этом разделе рассматриваются результаты, полученные с применением различных методов, использованных в ходе эксперимента, включая различные подразделы, а именно следующие:
Сбор и предобработка данных
Для проведения экспериментальной оценки предлагаемой структуры был собран набор данных по урожайности культур из
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Основная цель текущего исследования — включить временное весиздание, причинные выводы и иерархическую значимость в традиционную модель SHAP, что позволит создать модель TCHSHAP. Цель включения этих компонентов в методы XAI — повысить интерпретацию результатов. Для временного взвешивания мы рассматривали экспоненциальную технику затухания, которая придаёт больше веса недавним значениям по сравнению со старыми. В причинной значимости авторы пытаются оценить прямое влияние различных признак.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторы заявляют, что конфликтов интересов нет.
Эта работа финансируется национальными средствами через FCT – Fundação para a Ciência e a Tecnologia, I.P., по программному контракту UID/05105/2025.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Объясните простыми словами | 0.13.0 | PyPI | |
| ИЗВЕСТЬ | 0.2.0.1 | PyPI | |
| Nvidia DGX A100 GPU Server | CPU Dual AMD Rome 7742, всего 128 ядер | Nvidia | |
| Системная память 1 ТБ | |||
| Питон | 3.1 | Питон | |
| ШАП | 0.41.0 | PyPI | |
| scikit-learn | 1.3.0 | PyPI | |
| TensorFlow | 2.13 | Тензорный поток | |
| XGBoost | 1.7.6 | PyPI |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.