提出可理解性感知特征选择方法

2026年10月15日，arXiv Artificial Intelligence 刊出 Nicola Rossberg 等人的研究，提出将特征可理解性纳入特征选择，为表格数据生成以人为本的解释。研究在两个数据集上收集基于用户反馈的 Feature Understandability Scale 分数，据此提出可理解性感知的特征选择算法，筛选既易懂又有信息量的特征，并基于这些特征子集训练随机森林。基于 SHAP 的解释经用户评估显示，可理解性解释的平均得分更高，但差异不显著；在对比评估中，参与者对可理解性解释的偏好比例显著高于随机水平。研究结论是，引入可理解性能够以极小的分类性能代价提升解释的可懂度，但解释质量的变化仍需更大样本验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。