Интерпретация моделей машинного обучения с помощью метода аддитивных объяснений Шепли и его применение к реальным данным больницы
Explanation of machine learning models using shapley additive explanation and application for real data in hospital
Аннотация
Введение: При использовании методов машинного обучения для принятия решений важно, чтобы модели были интерпретируемыми. В этой работе для интерпретации модели градиентного бустинга деревьев решений, обученной на больничных данных, применён метод аддитивных объяснений Шепли (SHAP), основанный на справедливом распределении выигрыша между участниками пропорционально их вкладу.
Методы: Для повышения интерпретируемости предложены два новых метода: 1) метрика важности признаков на основе SHAP; 2) группировка нескольких сходных признаков в один групповой признак, упрощающая понимание модели без её перестроения. Результаты интерпретации с помощью SHAP сопоставили с результатами существующих методов на данных пациентов с инфарктом головного мозга, полученных в нашей больнице.
Результаты: Интерпретация с помощью SHAP в основном совпадала с результатами существующих методов. Предложенные методы позволили показать, что отношение альбумина к глобулинам (A/G) — важный прогностический фактор при инфаркте головного мозга.
Выводы: Предложенные методы помогают интерпретировать модели машинного обучения и выявлять связи между признаками и исходом.
Переведем эту статью за 1 час
Загрузите PDF, а мы сделаем полный перевод, краткий конспект и красивую инфографику.
Попробовать бесплатно →Также в Подтеме: еженедельные литобзоры, база международных клинреков и конспекты свежих мед. статей и подкастов каждый день.