X 堆叠：解释引导的堆叠集成学习-计算机科学-可解释人工智能-机器学习-算法.pdfVIP

X堆叠：解释引导的堆叠集成学习

MoncefGarouani(),AyahBarhrhouj,andOlivierTeste

IRIT,UMR5505CNRS,UniversitéToulouseCapitole,Toulouse31000,France

moncef.garouani@irit.fr

Aix-MarseilleUniversity,CNRS,LISUMR7020,Marseille13007,France

IRIT,UMR5505CNRS,UniversitédeToulouse,UT2J,Toulouse31000,France

摘要集成机器学习（EML）技术，特别是堆叠，通过结合多个基础模型

本已被证明可以提高预测性能。然而，它们经常因为缺乏可解释性而受到批

1

译评。在我们最近发表的中的信息融合，我们介绍了X堆栈，这是一个有

效且固有可解释的框架，通过整合动态特征转换与模型不可知的Shapley

中加性解释来解决这一局限性。这使得堆叠模型可以在保持预测准确性的同

1时变得固有可解释。我们在29个数据集上展示了该框架的有效性，在学习

v空间的预测效果和生成模型的可解释性方面都取得了改进。XStacking为

0

5负责任的机器学习提供了实用且可扩展的解决方案。

6

7Keywords:机器学习·集成学习·堆叠·可解释人工智能·夏普利

1

.加性解释法

7

0

5

21背景和目标

:

v

i

x集成学习已成为机器学习中的一种强大范式，通过利用多个基础模型的

r

a多样性来实现改进的泛化能力和鲁棒性[1]。在集成方法中，堆叠泛化，或

称堆叠，因其能够通过对基础模型预测进行训练元学习器来整合异构模型

而脱颖而出，从而捕捉数据中的互补模式[1,2]。在此两阶段架构中，一组基

础学习器在数据集上进行训练，其中

表示一个d维特征向量，而（或对于二分类的）表示目标

变量。每个模型生成一个单独的输出预测，如,。这

些输出构成一个新的数据集，其中。