Wie interpretierte überwachte ML-Algorithmen (z. B. Untergruppen mit bestimmten Merkmalsbereichen finden)

Question

Für einige ML-Fälle ist es wichtig, nicht nur eine zuverlässige Vorhersage zu geben, sondern auch diese Vorhersage zu erklären.

Wenn wir über medizinische Therapieeffizienzvorhersage sprechen, sind Ärzte neugierig, einige Gruppen von Patienten auszuwählen, die gute oder schlechte Reaktion haben würden.

Zum Beispiel: Patienten werden negativ für die Therapie A reagieren, wenn sie: 1) beide hochgewichtet und haben schwarze Haare; 2) beide alt und wurden zuvor durch Therapie B behandelt; 3) beide niedrig-gewichtet und wurden zuvor durch Therapie behandelt C

Es sieht aus wie Clusterisierung innerhalb der Klassifikation.

Was sind gängige Ansätze zur Lösung dieser Aufgabe?

Answer 1

Ich würde sagen, es ist wie "Clustering auf klassifizierten Daten" (1) oder "Klassifizierung auf gruppierten Daten" (2) aussieht.

Wo: (1) wäre: "Was sind Hauptgrund für die Reaktion jeweils negativ/pos?" , d. H. Klassifizieren Sie Ihre Daten und führen Sie dann Clustering für jede Klasse aus. Dann wird Ihr Ergebnis zum Beispiel lauten: "Viele negative Patienten sind zusammen geclustert, weil sie schwarze Haare haben".

und (2) wäre: "Was wird das Ergebnis der Behandlung (pos/neg) bei einem Patienten Zustand (hoch gewichtet, alt etc ...) dh Cluster Ihre Daten nach Bedingung, dann führen Sie die Klassifizierung auf jeder. Das Ergebnis wie „schwarzes Haar Menschen 40% negative Reaktion“ wäre

dies davon ab, was Ihnen wichtig ist, können Sie es ein bisschen wie conditionnal Wahrscheinlichkeit

sehen