MISS: 多类别可解释评分系统
内容提要
该文综述可解释分类模型研究，提出带稀疏与公平约束的多类别评分系统并扩展SLIM框架，介绍SLIM、IMLI等整数规划与可满足性方法以构建精准透明的评分与决策规则，并应用于再犯预测、医疗风险评分、缺失数据处理及睡眠呼吸暂停诊断，兼顾准确性与可解释性。
延伸解读
从二分类到多类别的扩展
文章在Rudin和Ustun提出的SLIM框架基础上，将可解释评分系统从二分类扩展到多类别，并加入稀疏性与公平性约束。这意味着评分卡不再只回答“是/否”，而能对多个类别给出透明打分，同时控制模型复杂度和群体公平性，适合需要多档决策的场景。
整数规划与可满足性方法的分工
文中介绍了SLIM、IMLI等基于整数规划和最大可满足性的方法。SLIM直接编码精确度与稀疏度，系数限制为互质整数，便于人工解读；IMLI结合小批量与迭代规则学习，在准确性、可解释性和可伸缩性之间取得平衡，可用于学习决策列表和决策集。
应用场景与透明性价值
文章列举了再犯预测、医疗风险评分、缺失数据处理和睡眠呼吸暂停诊断等应用。其中再犯预测研究表明，SLIM模型在全ROC曲线上与最强黑盒模型一样准确，但完全透明且高度可解释；医疗风险评分则通过联合模型明确传达未来干预假设，提升临床预测的可解释性。
公平性与可解释性的权衡
文章还涉及基于混合整数优化的分类树框架，可扩展任意公平性约束，并提出“决策复杂度”作为可解释性度量。在流行数据集上的综合分析显示，该方法在几乎完全平等的情况下仍能保持精度，说明公平性、可解释性与预测准确性之间存在需要显式权衡的关系。
Q&A
MISS 评分系统是什么？它和 SLIM 框架有什么关系？
MISS 是一个可解释的多类别分类评分系统，使用混合整数线性规划技术，并带有稀疏性和公平性约束。它扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架，将其推广到多类别场景。
SLIM 模型是如何实现精准且可解释的评分系统的？
SLIM（Supersparse Linear Integer Model）通过求解一个整数规划问题，直接编码精确度和稀疏度的度量，限制系数为互质整数，并能无缝加入相关操作约束，从而创建高度定制、精准且可解释的评分系统。
IMLI 框架有什么特点？它主要用于学习哪些可解释分类器？
IMLI 是一个基于最大可满足性的可解释学习框架，结合小批量学习和迭代规则学习来合成分类规则。它在预测准确性、可解释性和可伸缩性之间取得最佳平衡，并用于学习决策列表和决策集等流行的可解释分类器。
在再犯预测中，如何构建既准确又透明的模型？
研究使用 SLIM 方法创建精确、透明、可解释的再犯预测模型，这些模型沿全 ROC 曲线与最强大的黑盒机器学习模型一样准确，但完全透明且高度可解释，适用于各种决策用例。
可解释机器学习如何处理缺失数据问题？
研究将高精度的玻璃盒可解释性增强机（EBMs）用于缺失值处理，帮助用户更好地了解缺失机制并检测可能引入的风险，实验表明该方法在处理真实医疗数据集时有效。
基于整数规划的框架如何用于睡眠呼吸暂停诊断？
该框架用于构建准确且可解释的离散线性分类模型，具有控制和灵活性，可为特定领域实践者量身定制模型。通过数值实验和睡眠呼吸暂停诊断工具的案例研究，展示了其性能和灵活性。
