将可解释的集成树扩展到回归上下文

摘要 集成方法的出现，例如随机森林（RF），导致了监督学习的范式转变。这些方法通过聚合多个弱学习者达到了显著的预测准确性。然而，这些方法的一个缺点是缺乏透明度，这常常使用户无法理解它们的预测过程。 针对此挑战，最近提出了可解释的集成树（E2Tree），为RF中的分类提供了响应变量和预测变量之间关系的图形表示。E2Tree基于观测值之间的（不）相似性构建单个决策树。通过在预测变量的基础上总结各种距离以及将森林作为单个决策树，E2Tree结合了决策树和决策树集成的优点。在本文中，我们提议将E2Tree方法扩展到回归上下文。我们使用真实世界的数据集来研究E2Tree在回归中的表现。我们使用曼特尔检验来测试RF和E2Tree相似性之间的相关性。