标题:空间机器学习模型诊断:一种基于模型不可知距离的方法
时间:2021.11.13
作者:Alexander Brenning
机构:Friedrich Schiller University
链接:https://arxiv.org/pdf/2111.08478.pdf
简介:
虽然在解释黑箱机器学习(ML)模型方面已经取得了重大进展,但仍然缺乏诊断工具来阐明ML模型在预测技能和可变重要性方面的空间行为。这一贡献提出了空间预测误差剖面(SPEP)和空间变量重要性剖面(SVIP)作为新的模型不可知评估和解释工具,用于空间预测模型,重点是预测距离。它们的适用性在两个案例研究中得到了证明,这两个案例研究分别代表了环境科学背景下的区域化任务和遥感土地覆盖分类的分类任务。在这些案例研究中,地统计学方法、线性模型、随机森林和混合算法的SPEP和SVIP显示出显著的差异,但也有相关的相似之处。概述了相关交叉验证技术的局限性,并提出建模人员应将模型评估和解释的重点放在预期的空间预测水平上。相反,自相关的范围不是定义空间交叉验证测试集的合适标准。新的诊断工具丰富了空间数据科学的工具包,并可能改进ML模型的解释、选择和设计。
标题:生物启发的语音情感识别
时间:2021.11.15
作者:Reza Lotfidereshgi, Philippe Gournay
机构:Université de S