Resumo Em tarefas de previsão multiclasses com objetivos interpretativos, covariáveis que ajudam a distinguir classes individuais, denominadas "covariáveis relacionadas à classe", podem ser de particular interesse. Medidas convencionais de importância de variável (VIMs) de florestas aleatórias, como importância por permutação e importância de Gini, classificam covariáveis pela contribuição preditiva geral e, assim, também atribuem alta importância a covariáveis que diferenciam grupos de classes. Propomos uma nova VIM, a VIM focada na classe, que classifica covariáveis pela sua capacidade de distinguir classes de resultado individuais. Ela avalia covariáveis usando partições hipotéticas baseadas em classes em cada nó, sem alterar a construção da árvore. Como complemento, introduzimos a VIM discriminatória, que mede a influência geral da covariável com base nas divisões reais dos nós. Simulações mostram que, ao contrário das VIMs convencionais, a VIM focada na classe classifica especificamente as covariáveis relacionadas à classe como de alta importância. Exemplos de dados reais ilustram como ambas as VIMs sugeridas se comportam em conjuntos de dados reais e como seus resultados podem ser interpretados.
Hornung et al. (Qua,) estudaram esta questão.