Статистические данные > Машинное обучение [представлено 7 октября 2026 года] Название: От лог-ордонов к значениям Шапли: пояснительная геометрия для Взвешенного Naive Bayes Classifier View PDF HTML (экспериментально): Настоящий документ изучает вопрос о создании пояснительного пространства для взвесимого наивного каталога Байес из контролируемой модели. Мы начинаем с классической контролируемой дистанции, основанной на условных log-вероятностях, и вносим дискриминирующее изменение на основе logds, которое более непосредственно связано с решением о классификации. Затем мы показываем, что это представление вызывает расстояние, которое точно совпадает с дистанцией $ell_1 долл. между векторами аналитических значений Шапли и тем самым дает официальное пояснение геометрии модели. И наконец, мы эмпирически сравниваем несколько контролируемых расстояний, полученных от этих представлений с использованием неопознанного соседа-классификатора. Эта работа подчеркивает тесную связь между контролируемым расстоянием, местным объяснением и прогнозным поведением с точки зрения прежде всего методологии. Текущий контекст просмотра: stat.ML ссылки и цитаты Загрузка... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?) Код, данные и средства массовой информации, связанные с этой статьей альфаXiv (какая буквенная клавиатура?)…
От log-Odds до Shapley Значения: пояснительная геометрия для взвешенного навигатора Bayes
arXiv: 2610.10642v1 Аннонс Тип: новое резюме: В настоящем документе изучается вопрос о строительстве пояснительного пространства для взвешенного наивного категориста Байеса из контролируемого представления, вызванного моделью. Мы начинаем с классической контролируемой дистанции, основанной на условных log-вероятностях, и вносим дискриминирующее изменение на основе logds, которое более непосредственно связано с решением о классификации. Затем мы показываем, что это представление вызывает расстояние, которое точно совпадает с дистанцией $ell_1 долл. между векторами аналитических значений Шапли и тем самым дает официальное пояснение геометрии модели. И наконец, мы эмпирически сравниваем несколько контролируемых расстояний, полученных от этих представлений с использованием неопознанного соседа-классификатора. Эта работа подчеркивает тесную связь между контролируемым расстоянием, местным объяснением и прогнозным поведением с точки зрения прежде всего методологии.