Ackumulerade lokala effekter
Ackumulerade lokala effekter (ALE) är en metod för tolkning av maskininlärning .
Begrepp
ALE använder en villkorad funktionsdistribution som indata och genererar utökad data, vilket skapar mer realistisk data än en marginell distribution.
Den ignorerar värden som ligger långt utanför distributionen (avvikande värden). Till skillnad från partiella beroendediagram och marginella plotter, besegras inte ALE i närvaro av korrelerade prediktorer.
Den analyserar skillnader i förutsägelser istället för att beräkna ett medelvärde för dem genom att beräkna medelvärdet av skillnaderna i modellförutsägelser över den utökade datan, istället för medelvärdet av själva förutsägelserna.
Exempel
Givet en modell som förutsäger huspriser baserat på dess avstånd från centrum och storleken på byggnadsområdet, jämför ALE skillnaderna i förutsägelser för hus av olika storlekar. Resultatet skiljer effekten av storleken från annars korrelerade egenskaper.
Begränsningar
Att definiera utvärderingsfönster är subjektivt. Höga korrelationer mellan funktioner kan besegra tekniken. ALE kräver fler och mer enhetligt fördelade observationer än PDP så att den villkorliga fördelningen kan bestämmas tillförlitligt. Beräkningskostnaderna är vanligtvis högre än med PDP. Tekniken kan ge otillräckliga resultat om data är mycket sparsam, vilket är vanligare med högdimensionell data ( curse of dimensionality) .
Se även
externa länkar
- Munn, Michael (2022). Förklarlig AI för utövare . O'Reilly Media, Incorporated. ISBN 978-1-0981-1910-2 . OCLC 1350433516 .