通过特征归因增强AI回归任务中的特征选择和可解释性
原文中文,约400字,阅读约需1分钟。发表于: 。本研究解决了在AI回归任务中,现有特征选择和可解释性方法分散注意力的不足。我们提出了一种将积分梯度与k均值聚类结合的特征选择管道,旨在改善预测的准确性与稳定性。该方法在涡轮机械开发过程中实际的叶片振动分析中得到了有效验证。
解释性人工智能研究揭示复杂机器学习的预测机制。本文探讨高斯过程回归(GPR)的特征归因,提出原则性定义。我们导出解释性表达式,使用Integrated Gradients方法时,GPR的归因符合高斯过程分布,量化了不确定性。理论和实验表明,该方法多功能、稳健,且比现有方法更准确、成本更低。