亚伦·费舍尔、辛西娅·鲁丁、弗朗西丝卡·多米尼克。
年份：2019年，数量：20，版本：177，页码：1−81
摘要
变量重要性（VI）工具描述了有多少协变量有助于预测模型的准确性。然而，一个性能良好的模型的重要变量（例如，线性模型$f（\mathbf{x}）=\mathbf{x}^{T}\beta$，具有固定系数向量$\beta$s）对于另一个模型可能并不重要。在本文中，我们提出模型类依赖（MCR）作为预先指定类中所有性能良好的模型的VI值范围。因此，MCR通过考虑许多预测模型（可能具有不同的参数形式）可能很好地拟合数据这一事实，对重要性进行了更全面的描述。在推导MCR的过程中，我们根据随机森林中使用的VI度量，展示了基于排列的VI估计的几个有用结果。具体来说，我们推导了单个预测模型的置换重要性估计、U统计量、条件变量重要性、条件因果效应和线性模型系数之间的联系。然后，我们使用一种新颖的、可推广的技术给出了MCR的概率界。我们将MCR应用于布劳沃德县犯罪记录的公共数据集，以研究累犯预测模型对性别和种族的依赖性。在此应用中，MCR可用于帮助通知VI未知的专有模型。
PDF格式
BibTeX公司