Ein Blick in die Black Box: Visualisierung des statistischen Lernens mit Plots der individuellen bedingten Erwartung

Dieser Artikel präsentiert Plots der individuellen bedingten Erwartung (ICE), ein Werkzeug zur Visualisierung des Modells, das von jedem überwachten Lernalgorithmus geschätzt wurde. Klassische partielle Abhängigkeitsplots (PDPs) helfen, die durchschnittliche partielle Beziehung zwischen der vorhergesagten Antwort und einem oder mehreren Merkmalen zu visualisieren. In Gegenwart erheblicher Interaktionseffekte kann die partielle Antwortbeziehung heterogen sein. Daher kann eine Durchschnittskurve, wie die PDP, die Komplexität der modellierten Beziehung verschleiern. Entsprechend verfeinern ICE-Plots die PDP, indem sie die funktionale Beziehung zwischen der vorhergesagten Antwort und dem Merkmal für individuelle Beobachtungen grafisch darstellen. Insbesondere heben ICE-Plots die Variation der geschätzten Werte über den Bereich einer Kovariate hervor und zeigen, wo und in welchem Ausmaß Heterogenitäten existieren könnten. Neben der Bereitstellung einer Plot-Suite für die explorative Analyse enthalten wir einen visuellen Test auf additive Strukturen im datengenerierenden Modell. Durch simulierte Beispiele und reale Datensätze demonstrieren wir, wie ICE-Plots Einblicke in geschätzte Modelle bieten können, die PDPs nicht liefern können. Die beschriebenen Verfahren sind im R-Paket ICEbox verfügbar.