使用随机森林接近性进行分位数回归
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文提出了一种新方法，通过随机森林模型的特征空间相似性来解释其样本外表现。该方法将预测重写为训练数据点目标标签的加权平均，并生成观测的归因，补充了现有的可解释性方法。研究在美国公司债券定价模型中进行演示，并与其他模型可解释性方法进行了比较。
🔎
延伸解读
方法核心：用相似性重构预测
文章提出的方法利用随机森林特征空间中的样本相似性，将预测重写为训练数据点目标标签的加权平均。这种重构使得每个预测都可以归因到具体的训练样本，从而解释样本外表现。与SHAP等基于特征维度的归因不同，该方法从样本维度提供补充视角，有助于理解模型决策依据。
应用场景：公司债券定价
研究在美国公司债券定价模型中进行演示，说明该方法适用于金融领域的回归任务。通过将预测分解为训练样本的加权贡献，分析师可以追溯哪些历史债券交易影响了当前定价，为模型验证和监管解释提供实用工具。
与现有可解释性方法的比较
文章将新方法与多种现有模型可解释性方法进行了比较。虽然具体比较结果未在摘要中详述，但强调其补充了SHAP等特征归因方法，表明两者可结合使用，从特征和样本两个维度全面解释随机森林的预测。
❓
Q&A
随机森林模型的特征空间相似性如何用于解释样本外表现？
通过利用特征空间中点之间的相似性，该方法将预测重写为训练数据点目标标签的加权平均，从而解释样本外表现。
这项研究是如何演示其方法的？
研究在美国公司债券定价模型的背景下演示了该方法，并与现有的可解释性方法进行了比较。
该方法与现有可解释性方法相比有什么优势？
该方法补充了现有的可解释性方法，如SHAP，提供了更准确的观测归因。
如何生成模型预测的观测归因？
通过将预测重写为训练数据点目标标签的加权平均，生成模型预测的观测归因。
随机森林模型的可解释性方法有哪些？
现有的可解释性方法包括SHAP等，但本文提出的方法提供了新的视角。
该研究的主要贡献是什么？
主要贡献是提出了一种新方法，通过随机森林模型的特征空间相似性来解释样本外表现。
🏷️
