Von Erklärungen zur Merkmalsauswahl: Bewertung von SHAP-Werten als Mechanismus zur Merkmalsauswahl

Erklärbarkeit ist zu einem der am meisten diskutierten Themen in der maschinellen Lernforschung in den letzten Jahren geworden, und obwohl viele Methoden vorgeschlagen wurden, die versuchen, Erklärungen für Black-Box-Modelle bereitzustellen, wurde wenig über die Vorverarbeitungsschritte diskutiert, die den Entwicklungsprozess von maschinellen Lernlösungen betreffen, wie die Merkmalsauswahl. In dieser Arbeit bewerten wir einen spieltheoretischen Ansatz, der verwendet wird, um die Ausgabe eines beliebigen maschinellen Lernmodells zu erklären, SHAP, als Mechanismus zur Merkmalsauswahl. In den Experimenten zeigen wir, dass es neben der Fähigkeit, die Entscheidungen eines Modells zu erklären, bessere Ergebnisse als drei gängige Algorithmen zur Merkmalsauswahl erzielt.