Die Studie untersucht die Interpretierbarkeit von Symbolischer Regression im Vergleich zu anderen Regressionsverfahren, indem verschiedene Erklärungsmethoden verwendet werden.
Es werden zwei verschiedene Algorithmen für Symbolische Regression und andere Regressionsverfahren vom Weißkasten- bis zum Schwarzkasten-Spektrum der Interpretierbarkeit evaluiert. Dazu werden mehrere Qualitätsmaße für Erklärungen in der Literatur überprüft und angepasst.
Als Ergebnis wird ein Benchmark-Framework namens iirsBenchmark bereitgestellt, das die Schnittstelle vieler gängiger Erklärungsmethoden vereinheitlicht. Darüber hinaus werden Maße zur quantitativen Bewertung der Qualität und Robustheit von Erklärungen vorgeschlagen.
Die Ergebnisse zeigen, dass Symbolische Regression eine interessante Alternative zu Black-Box-Methoden sein kann, da sie in der Lage ist, genaue Modelle mit angemessenen Erklärungen zurückzugeben. Bei den Erklärern erwiesen sich Partial Effects und SHAP als am robustesten, wobei Integrated Gradients nur bei baumbasierten Modellen instabil war.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Guilherme Se... في arxiv.org 04-10-2024
https://arxiv.org/pdf/2404.05908.pdfاستفسارات أعمق