ترجمه فارسی مقاله متاآنالیز: غربالگری تعاملات برای یادگیری ماشینی قابل تفسیر

چکیده

There are two things to be considered when we evaluate predictive models. One is prediction accuracy,and the other is interpretability. Over the recent decades, many prediction models of high performance, such as ensemble-based models and deep neural networks, have been developed. However, these models are often too complex, making it difficult to intuitively interpret their predictions. This complexity in interpretation limits their use in many real-world fields that require accountability, such as medicine, finance, and college admissions. In this study, we develop a novel method called Meta-ANOVA to provide an interpretable model for any given prediction model. The basic idea of Meta-ANOVA is to transform a given black-box prediction model to the functional ANOVA model. A novel technical contribution of Meta-ANOVA is a procedure of screening out unnecessary interaction before transforming a given black-box model to the functional ANOVA model. This screening procedure allows the inclusion of higher order interactions in the transformed functional ANOVA model without computational difficulties. We prove that the screening procedure is asymptotically consistent. Through various experiments with synthetic and real-world datasets, we empirically demonstrate the superiority of Meta-ANOVA

چکیده به فارسی (ترجمه ماشینی)

هنگام ارزیابی مدل های پیش بینی ، دو چیز وجود دارد که باید در نظر گرفته شود.یکی دقت پیش بینی و دیگری تفسیر است.در طول دهه های اخیر ، بسیاری از مدل های پیش بینی عملکرد بالا ، مانند مدل های مبتنی بر گروه و شبکه های عصبی عمیق ، توسعه یافته اند.با این حال ، این مدل ها اغلب بسیار پیچیده هستند و تفسیر شهودی پیش بینی های آنها را دشوار می کند.این پیچیدگی در تفسیر ، استفاده از آنها را در بسیاری از زمینه های دنیای واقعی که نیاز به پاسخگویی دارند ، مانند پزشکی ، امور مالی و پذیرش کالج ها محدود می کند.در این مطالعه ، ما یک روش جدید به نام Meta-Anova ایجاد می کنیم تا یک مدل قابل تفسیر برای هر مدل پیش بینی داده شده ارائه شود.ایده اصلی متا آنووا تبدیل یک مدل پیش بینی جعبه سیاه داده شده به مدل ANOVA عملکردی است.سهم فنی جدید متا آنووا روشی برای غربالگری تعامل غیر ضروری قبل از تبدیل یک مدل جعبه سیاه داده شده به مدل ANOVA عملکردی است.این روش غربالگری اجازه می دهد تا تعامل با مرتبه بالاتر در مدل ANOVA عملکردی تبدیل شده و بدون مشکل محاسباتی را درج کند.ما ثابت می کنیم که روش غربالگری به صورت بدون علامت سازگار است.از طریق آزمایش های مختلف با مجموعه داده های مصنوعی و واقعی در دنیای واقعی ، ما به صورت تجربی برتری متا آنووا را نشان می دهیم