Exploring and Interacting with the Set of Good Sparse Generalized Additive Models

要約

実際のアプリケーションでは、機械学習モデルとドメインの専門家間の対話が重要です。
ただし、通常単一のモデルのみを生成する古典的な機械学習パラダイムでは、そのような相互作用は促進されません。
羅生門セット、つまり最適に近いすべてのモデルのセットを近似して探索することで、分野の専門家が選択できる多様なモデルのセットを含む検索可能なスペースをユーザーに提供することで、この現実的な課題に対処します。
我々は、固定サポートセットの楕円体を使用して、疎な一般化加法モデルの羅生門セットを効率的かつ正確に近似するアルゴリズムを提示し、これらの楕円体を使用して、多くの異なるサポートセットの羅生門セットを近似します。
近似された羅生門セットは、(1) モデル クラスの変数の重要性を研究する、
(2) ユーザー指定の制約 (単調性、直接編集) の下でモデルを検索します。
(3) 形状関数の突然の変化を調査する。
実験では、近似された羅生門セットの忠実性と、実際的な課題を解決する際のその有効性が実証されています。

要約(オリジナル)

In real applications, interaction between machine learning models and domain experts is critical; however, the classical machine learning paradigm that usually produces only a single model does not facilitate such interaction. Approximating and exploring the Rashomon set, i.e., the set of all near-optimal models, addresses this practical challenge by providing the user with a searchable space containing a diverse set of models from which domain experts can choose. We present algorithms to efficiently and accurately approximate the Rashomon set of sparse, generalized additive models with ellipsoids for fixed support sets and use these ellipsoids to approximate Rashomon sets for many different support sets. The approximated Rashomon set serves as a cornerstone to solve practical challenges such as (1) studying the variable importance for the model class; (2) finding models under user-specified constraints (monotonicity, direct editing); and (3) investigating sudden changes in the shape functions. Experiments demonstrate the fidelity of the approximated Rashomon set and its effectiveness in solving practical challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google