将特征可理解性融入特征选择以改进表格模型解释

Rossberg 等作者在 arXiv 预印本（2610.16627）中提出一种可理解性感知的特征选择算法：基于用户反馈的特征可理解性评分（Feature Understandability Scale），在两个数据集上挑选既可理解又有信息量的特征训练随机森林，再用 SHAP 生成解释。 用户评估中，基于可理解性选择的特征生成的解释在个体评分上平均得分更高，但差异不具统计显著性；在比较评估中，参与者显著更频繁地偏好这类解释，超过随机水平。作者称该集成能以极小的分类性能代价换来更易懂的解释，但质量变化需在更大人群中进一步验证。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。