(上)基於網絡結構約束的可解釋性神經網絡

開發機器學習算法來解決現實生活問題時,模型的預測精準度和可解釋性是兩個最重要的目標。深度學習中的神經網絡一般具有高精準性,但由於模型複雜往往難以解釋本文為了加強神經網絡模型的可解釋性,我們考慮下列網絡結構化約束:a)稀疏加性子網絡:b)正交投影;c)光滑函數,並提出一種新的可解釋神經網絡(英文縮寫為S0SxNN)。


s0SxNN的模型參數通過批量梯度下降算法和Cayley變換進行估計,一些重要的超參則通過網格搜索來優化在數值實驗中,我們將SOSXNI與幾種經典的機器學習方法進行比較,包括Lasso、SWM 、隨機森林和多層感知機。實驗結果表明,S0SxNN在保持較高預測精確度的同時,大幅度提升了模型的可解釋性,因此可用作代理模型來有效逼近複雜的函數關係。最後,我們通過美國P2P借貸公司 Lending Club的一組真實數據來演示S0SxNN模型的應用。


立即體驗,開啟數位化轉型之旅!