Глоссарий ИИ
Полный словарь искусственного интеллекта
Линейная регрессия
Статистическая модель, устанавливающая линейную зависимость между зависимой переменной и одной или несколькими независимыми переменными путем минимизации суммы квадратов остатков. Эта модель считается 'белым ящиком', поскольку коэффициенты могут быть непосредственно интерпретированы как влияние каждой переменной на прогноз.
K-ближайших соседей (KNN)
Алгоритм обучения с учителем, который классифицирует новый образец на основе большинства классов его k ближайших соседей в пространстве признаков. Эта модель полностью интерпретируема, поскольку прогнозы могут быть объяснены путем явного показа соседей, использованных для принятия решения.
Ассоциативные правила
Метод обнаружения отношений между переменными в больших базах данных, обычно представляемый в форме ЕСЛИ-ТО с мерами поддержки и достоверности. Эти правила являются внутренне интерпретируемыми, поскольку они непосредственно выражают понятные логические отношения между атрибутами.
Обобщенная линейная модель (GLM)
Расширение линейной регрессии, позволяющее использовать распределения отклика, отличные от нормального, и нелинейные функции связи, сохраняя при этом аддитивную структуру. GLM остаются интерпретируемыми, поскольку коэффициенты могут быть преобразованы для выявления предельного эффекта каждого предиктора.
Обобщенная аддитивная модель (GAM)
Расширение GLM, где прогноз представляет собой сумму гладких функций отдельных переменных, а не линейных членов. GAM обеспечивают высокую интерпретируемость, поскольку позволяют визуализировать отдельное влияние каждой переменной на прогноз, одновременно захватывая нелинейные зависимости.
Линейный дискриминантный анализ (LDA)
Метод классификации, который ищет линейную комбинацию признаков, наилучшим образом разделяющую два или более классов, максимизируя отношение межклассовой дисперсии к внутриклассовой дисперсии. Интерпретируемость происходит из собственных векторов, указывающих наиболее дискриминантные направления в пространстве признаков.
Деревья CART
Алгоритм построения деревьев решений, использующий индекс Джини для классификации и среднеквадратичную ошибку для регрессии, с бинарными разбиениями в каждом узле. Бинарная структура деревьев CART облегчает интерпретацию путей принятия решений и извлеченных правил.
Алгоритм ID3
Исторический алгоритм построения деревьев решений, использующий прирост информации на основе энтропии для выбора атрибутов разбиения. ID3 производит высокоинтерпретируемые деревья, где каждый путь представляет четкое правило принятия решения на основе бинарных или многоклассовых тестов.
Алгоритм C4.5
Улучшение алгоритма ID3, которое использует коэффициент информационного выигрыша для избежания смещения в сторону атрибутов с большим количеством значений, и обрабатывает непрерывные атрибуты и пропущенные значения. C4.5 генерирует оптимизированные деревья решений, сохраняя полную интерпретируемость процесса принятия решений.
Алгоритм CHAID
Алгоритм построения деревьев решений, который использует критерий хи-квадрат для категориальных переменных и F-критерий для непрерывных переменных, с многосторонними разбиениями вместо бинарных. CHAID создает особенно интерпретируемые деревья для данных опросов и маркетинга.
Список решений
Структура классификации, представленная как упорядоченная последовательность правил ЕСЛИ-ТО, где каждое правило проверяется последовательно до тех пор, пока одно не будет удовлетворено. Списки решений обеспечивают превосходную интерпретируемость по сравнению с деревьями, поскольку представляют линейный поток решений вместо сложной древовидной структуры.
Модель на основе правил
Система классификации или регрессии, которая использует набор логических правил для прогнозирования, часто организованный в покрывающее множество или список решений. Эти модели являются одними из самых интерпретируемых, поскольку каждое предсказание может быть объяснено одним или несколькими явными правилами, понятными неспециалистам.
Простой перцептрон
Алгоритм бинарной линейной классификации, который изучает разделяющую гиперплоскость, итеративно корректируя веса на основе ошибок классификации. Хотя простой, перцептрон остается интерпретируемым, поскольку веса могут быть исследованы для понимания важности и направления влияния каждой характеристики.
Пуассоновская регрессия
Модель регрессии для счетных данных, которая предполагает, что переменная отклика следует распределению Пуассона, с логарифмической связью для функции среднего. Экспоненциальные коэффициенты модели позволяют прямое толкование как множителей ожидаемых частот событий.
Стохастический градиентный бустинг (SGB)
Метод ансамбля, который комбинирует простые интерпретируемые модели (часто неглубокие деревья), последовательно строя каждую новую модель для исправления ошибок предыдущей. Хотя мощный, SGB с неглубокими деревьями сохраняет некоторую интерпретируемость через вклад каждого отдельного дерева.