知识提取服务的可解释性:医学知识的应用
L'explicabilité au service de l'extraction de connaissances : application à des données médicales
摘要:
机器学习的使用在过去十年中急剧增加。缺乏透明度现在是一个限制因素,可解释性领域希望解决这个问题。此外,数据采掘的挑战之一是当数据集的统计关系可能是高度非线性的时,呈现数据集的统计关系。监督学习的优势之一是它能够找到复杂的统计关系,这些关系可以用一种可理解的方式来表示。本文表明,解释可以用来从数据中提取知识,并显示如何特征选择,数据子组分析和选择高信息量的情况下受益于解释。然后,我们提出了一个完整的数据处理管道使用这些方法对医疗数据。- L'utilisation de l'automatique a connu un bond cette dernière décennie.解释性的范畴现在是一个新的领域,它需要重新思考。此外,一种对数据进行探索的方法提供了一种数据统计关系,这种数据可能是非线性的。Une des forces de l'Estissage supervisé est sa capacité à trouver des relations statistiques complex que l'explicabilité permet de représenter de manière intelligible.本文阐述了对样本知识提取的可行性解释,并对变量选择、样本分组分析和样本选择等问题进行了评述。Nous presésentons alors an pipeline complet de treitement des données utilisant ces méthodes pour l'exploration de données medicales.
英文摘要:
The use of machine learning has increased dramatically in the last decade. The lack of transparency is now a limiting factor, which the field of explainability wants to address. Furthermore, one of the challenges of data mining is to present the statistical relationships of a dataset when they can be highly non-linear. One of the strengths of supervised learning is its ability to find complex statistical relationships that explainability allows to represent in an intelligible way. This paper shows that explanations can be used to extract knowledge from data and shows how feature selection, data subgroup analysis and selection of highly informative instances benefit from explanations. We then present a complete data processing pipeline using these methods on medical data. -- -- L'utilisation de l'apprentissage automatique a connu un bond cette dernière décennie. Le manque de transparence est aujourd'hui un frein, que le domaine de l'explicabilité veut résoudre. Par ailleurs, un des défis de l'exploration de données est de présenter les relations statistiques d'un jeu de données alors que celles-ci peuvent être hautement non-linéaires. Une des forces de l'apprentissage supervisé est sa capacité à trouver des relations statistiques complexes que l'explicabilité permet de représenter de manière intelligible. Ce papier montre que les explications permettent de faire de l'extraction de connaissance sur des données et comment la sélection de variables, l'analyse de sous-groupes de données et la sélection d'instances avec un fort pouvoir informatif bénéficient des explications. Nous présentons alors un pipeline complet de traitement des données utilisant ces méthodes pour l'exploration de données médicales.
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。