Интерпретируемый сетевой при помощи Random Forest+

arXiv: 25009.15611v2 Annuate Type: заменить резюме: алгоритмы машинного обучения часто предполагают, что учебные образцы независимы. При подключении к сети точек данных обусловленная зависимость между образцами является одновременно проблемой, снижающей эффективный размер выборки и возможность улучшить прогнозирование за счет использования информации от соседей. Существует множество методов, использующих эту возможность, однако многие из них, включая графические нейронные сети, трудно интерпретировать, что ограничивает их полезность для понимания того, как модели создают прогнозы. Другие, такие как линейная регрессия при помощи сети, могут интерпретироваться, но зачастую дают более низкие показатели прогнозирования. Мы восполним этот пробел, предложив комплекс гибких сетевых моделей на основе обобщения случайных лесов (РЛ+), которые обеспечивают высокую конкурентоспособность в прогнозировании и могут быть поняты с помощью внутренних мер интерпретируемости, основанных непосредственно на параметрах и структуре модели.