Maschinelles Lernen für hochriskante Anwendungen

Kapitel 6. Erklärbare Boosting-Maschinenund die Erklärung von XGBoost

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel werden erklärbare Modelle und Post-hoc-Erklärungen anhand von interaktiven Beispielen aus dem Bereich der Verbraucherfinanzierung erläutert. Außerdem werden die in Kapitel 2 besprochenen Ansätze mit erklärbaren Boosting-Maschinen (EBMs), monoton eingeschränkten XGBoost-Modellen und Post-hoc-Erklärungstechniken angewendet. Wir beginnen mit einer Auffrischung der Konzepte für Additivität, Constraints, partielle Abhängigkeit und individuelle bedingte Erwartung (ICE), Shapley additive Erklärungen (SHAP) und Modelldokumentation.

Dann werden wir ein Beispielproblem bei der Kreditwürdigkeitsprüfung untersuchen, indem wir von einer bestraften Regression über ein verallgemeinertes additives Modell (GAM) zu einem EBM übergehen. Bei der Entwicklung von einfacheren zu komplexeren Modellen werden wir explizite und bewusste Kompromisse bei der Einführung von Nichtlinearität und Wechselwirkungen in unserem Beispiel-Klassifikator für die Ausfallwahrscheinlichkeit dokumentieren, während wir gleichzeitig eine nahezu vollständige Erklärbarkeit mit additiven Modellen erhalten.

Hinweis

Aus Kapitel 2 wissen wir, dass eine Interpretation eine aussagekräftige mentale Repräsentation auf hoher Ebene ist, die einen Stimulus kontextualisiert und menschliches Hintergrundwissen nutzt, während ...