SCI圖表復現：優化SHAP特征貢獻圖展示更多模型細節
【AI驅動】
背景 機器學習模型的可解釋性需求：? 隨著機器學習模型在各個行業的廣泛應用，尤其是在高風險領域（如金融和醫療），模型的可解釋性變得越來越重要，簡單來說，模型的預測過程需要能夠清晰地向用戶展示，以便增加信任度，特別是當決策會對人類...
2025/01/06
使用GeoJSON數據進行SHAP值地圖可視化解釋ML模型
【AI驅動】
背景 隨著機器學習在環境和社會經濟研究中的應用越來越廣泛，人們對模型的透明性和可解釋性的需求也在不斷增加。本文將探討如何使用SHAP值在GeoJSON格式的地理數據上可視化和解釋機器學習模型。本文所使用的數據來源于德拉瓦谷區域規劃委員...
2025/01/06
深度學習二分類模型中的 SHAP 解釋：深入淺出的解讀與代碼實踐
【AI驅動】
背景 假設正面臨一個真實業務場景：某電信公司希望預測客戶是否可能流失，為了實現這個目標，可以使用客戶特征信息（如服務類型、消費金額等）來預測客戶是否會流失，這個問題可以被建模成一個二分類問題，即客戶是否會流失 (Churn)，用 0 ...
2025/01/06
基于貝葉斯優化的支持向量機（SVM）模型構建
【AI驅動】
背景 支持向量機（SVM）是一種監督學習算法，廣泛應用于分類問題中，SVM 通過尋找最優的超平面來區分不同類別的數據，為了提升 SVM 模型的表現，超參數調優至關重要，然而，傳統的超參數調優方法，如網格搜索和隨機搜索，往往需要大量的計...
2025/01/06
ROC曲線深度解析：從基礎二分類到多分類任務的全方位理解
【AI驅動】
背景 ROC曲線（Receiver Operating Characteristic curve）是一種廣泛用于評價分類模型性能的工具，尤其適用于二分類問題。它通過在不同閾值下計算模型的真陽性率（True Positive Rate,...
2025/01/06
K折交叉驗證結合RFE與隨機森林：特征選擇全過程可視化
【AI驅動】
背景 在機器學習和數據建模中，特征選擇是一個至關重要的步驟，如何從成百上千的特征中選擇對模型最有效的少數特征，直接影響到模型的準確性、泛化能力以及解釋性，本文的靈感來源于一項研究（見下圖），該研究利用隨機森林（Random Fores...
2025/01/06
貝葉斯優化在隨機森林中的應用：從參數調優到性能提升
【AI驅動】
背景 在模型訓練中，超參數如樹的數量、最大深度、最小樣本分割比例等對隨機森林的表現有很大影響。傳統的網格搜索法（Grid Search）和隨機搜索法（Random Search）雖然簡單，但效率相對較低，貝葉斯優化則是基于概率模型，逐...
2025/01/03
復現Nature圖表——基于PCA降維與模型預測概率的分類效果可視化
【AI驅動】
背景 在機器學習模型的分類性能評估中，如何有效地將高維數據的分類效果直觀地展示出來是一個問題，Nature Communications 的一項研究展示了一種通過結合預測概率與主成分分析（PCA）的方法來可視化模型的分類效果，這一方法...
2025/01/03
SCI圖表復現：如何直觀展示機器學習模型預測結果的準確性和一致性
【AI驅動】
背景 在機器學習建模過程中，常常需要評估模型預測值與真實值之間的擬合程度，這種圖表的主要作用是直觀展示機器學習模型預測結果的準確性和一致性，尤其在回歸任務中用來評估模型對連續變量的預測效果，以下是圖表中的幾個關鍵元素及...
2025/01/03
貝葉斯優化在XGBoost中的應用：從參數調優到性能提升
【AI驅動】
背景 在機器學習項目中，XGBoost被廣泛應用于各類回歸和分類任務，尤其因其高效的性能和優秀的預測效果而備受推崇，但在面對大量超參數時，手動調參不僅費時費力，效果也往往不盡如人意，接下來將介紹如何利用貝葉斯優化自動化地調整XGBoo...
2025/01/03
基于Optuna的機器學習超參數調優與自定義可視化分析
【AI驅動】
背景 在機器學習調參過程中，Optuna是一個強大的自動化超參數優化工具，它通過智能搜索算法在定義的參數空間中尋找最佳參數組合，從而提升模型性能。Optuna-dashboard雖然提供了一定的可視化功能，讓用戶能夠觀察到調參過程的變...
2025/01/03
實用機器學習技巧：帶有95%置信區間的ROC曲線繪制
【AI驅動】
背景 在機器學習模型的性能評估中，ROC曲線和AUC（曲線下面積）是常用的工具，它們能清晰展示模型的分類能力，但是一般ROC曲線展示的AUC值不會去展示置信區間，但是帶有95%置信區間的ROC曲線在醫學研究中非常常見，因為它能...
2025/01/03
整合數據分布+擬合線+置信區間+相關系數的皮爾遜相關可視化
【AI驅動】
背景 在數據分析中，探索特征之間的相關性是非常重要的一步，皮爾遜相關系數、散點圖以及線性模型是最常用的三種方法，它們各具優勢，通過將這三種方法整合到一個可視化圖表中，可以幫助更全面地判斷特征之間是否存在線性相關趨勢 皮爾遜相關系...
2025/01/03
如何用SHAP解讀集成學習Stacking中的基學習器和元學習器以及整體模型貢獻
【AI驅動】
背景 Stacking（堆疊集成）是一種集成學習方法，它通過組合多個基礎模型（一級學習器）的預測結果，再用一個元模型（二級學習器）來進一步學習這些預測結果，最終得到一個更強的預測模型，使用多個不同的基礎模型（如隨機森林、XGBoost...
2025/01/03
SHAP進階解析：機器學習、深度學習模型解釋保姆級教程
【AI驅動】
背景 本篇文章將聚焦SHAP的高級功能與應用技巧，在這個項目中，作者將以一個基于XGBoost的二分類模型為例，展示如何通過SHAP深入剖析模型的內部機制，并結合實際問題，使用SHAP值進行更精細的解釋和分析，進而推廣到回歸預測模型、...
2025/01/03
