Key points are not available for this paper at this time.
Desenvolvemos um novo algoritmo de aprendizado de máquina (ML) com o objetivo de produzir modelos transparentes (ou seja, compreensíveis por humanos) enquanto também conta flexivelmente para não linearidades e interações. Nosso método é baseado em esparsidade ranqueada, e permite flexibilidade e controle do usuário na variação do grau de opacidade dos métodos de aprendizado de máquina de caixa preta. O principal princípio da esparsidade ranqueada é que um algoritmo deve ser mais cético em relação a polinômios de ordem superior e interações a priori em comparação com os efeitos principais, e, portanto, a inclusão desses termos mais complexos deve exigir um nível mais alto de evidência. Neste trabalho, colocamos nosso novo algoritmo de esparsidade ranqueada (implementado no pacote de código aberto R, sparseR) à prova em um
Peterson et al. (Sáb,) estudaram essa questão.