实体
Variable Importance in Predictive Models: Separating Borrowing Information and Forming Contrasts
Variable Importance in Predictive Models: Separating Borrowing Information and Forming Contrasts
PulseAugur coverage of Variable Importance in Predictive Models: Separating Borrowing Information and Forming Contrasts — every cluster mentioning Variable Importance in Predictive Models: Separating Borrowing Information and Forming Contrasts across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的UNIVERSE方法在缺失数据的情况下界定变量重要性
研究人员推出了一种新颖的变量重要性（VI）估计方法UNIVERSE，该方法解决了标准方法中的局限性。UNIVERSE借鉴了拉蒙集（Rashomon sets）的概念，即一组同样最优的模型，即使在观测数据集中缺少关键特征时，也能为真实VI提供界限。该方法在理论上保证鲁棒性，并在模拟和信用风险任务中表现出强大的性能。
-
新方法增强了二元分类深度神经网络的可解释性
研究人员开发了一种新方法，用于识别二元分类任务中深度神经网络的重要特征。该方法将变量重要性框架与懒惰训练相结合，提供了一种假设最少、错误率可控的高效算法。通过模拟和真实世界数据应用证明了该方法的有效性，解决了深度学习模型的可解释性挑战，尤其是在分类背景下。