Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Chervonenkis’s Recollections Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

19. Interpretation of Black-Box Predictive Models

verfasst von : Vladimir Cherkassky, Sauptik Dhar

Erschienen in: Measures of Complexity

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Many machine learning applications involve predictive data-analytic modeling using black-box techniques. A common problem in such studies is understanding/interpretation of estimated nonlinear high-dimensional models. Whereas human users naturally favor simple interpretable models, such models may not be practically feasible with modern adaptive methods such as Support Vector Machines (SVMs), Multilayer Perceptron Networks (MLPs), AdaBoost, etc. This chapter provides a brief survey of the current techniques for visualization and interpretation of SVM-based classification models, and then highlights potential problems with such methods. We argue that, under the VC-theoretical framework, model interpretation cannot be achieved via technical analysis of predictive data-analytic models. That is, any meaningful interpretation should incorporate application domain knowledge outside data analysis. We also describe a simple graphical technique for visualization of SVM classification models.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Justifying Information-Geometric Causal Inference
Nächstes Kapitel PAC-Bayes Bounds for Supervised Classification
Literatur
1.
Adams, N.M., Hand, D.J.: Improving the practice of classifier performance assessment. Neural Comput. 12(2), 305–311 (2000)CrossRef
2.
3.
Barakat, N., Bradley, A.: Rule-extraction from support vector machines: a review. Neurocomputing 74(1–3), 178–190 (2010)CrossRef
4.
Boyd, S., Vandenberghe, L.: Convex Optimization. Cambridge University Press, New York (2004)MATHCrossRef
5.
Bradley, A.: The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognit. 30(7), 1145–1159 (1997)CrossRef
6.
7.
Caragea, D., Cook, D., Honavar, V.G.: Gaining insights into support vector machine pattern classifiers using projection-based tour methods. In: Proceedings of KDD, pp. 251–256 (2001)
8.
Cherkassky, V.: Predictive learning, knowledge discovery and philosophy of science (invited lecture). In: Lin, J., et al. (eds.) Advances in Computational Intelligence, vol. 7311, pp. 209–233. Springer, Berlin (2012)CrossRef
9.
10.
Cherkassky, V., Dhar, S.: Simple method for interpretation of high-dimensional nonlinear SVM classification models. In: Proceedings of the 2010 International Conference on Data Mining (DMIN 2010), pp. 267–272 (2010)
11.
Cherkassky, V., Dhar, S.: Market timing of international mutual funds: a decade after the scandal. In: Proceedings of Computational Intelligence for Financial Engineering and Economics, pp. 1–8 (2012)
12.
Cherkassky, V., Dhar, S., Dai, W.: Practical conditions for effectiveness of the universum learning. IEEE Trans. Neural Netw. 22(8), 1241–1255 (2011)CrossRef
13.
Cherkassky, V., Mulier, F.: Learning from Data: Concepts, Theory, and Methods. Wiley, New York (1998)MATH
14.
Cherkassky, V., Mulier, F.: Learning from Data: Concepts, Theory, and Methods, 2nd edn. Wiley, New York (2007)CrossRef
15.
Cook, D., Swayne, D.F.: Interactive and Dynamic Graphics for Data Analysis: With Examples Using R and GGobi. Springer, New York (2007)CrossRef
16.
17.
Fisher, R.: The logic of inductive inference. J. R. Stat. Soc. 98(1), 39–82 (1935)CrossRef
18.
Fisher, R.: The use of multiple measurements in taxonomic problems. Ann. Eugen. 7(2), 179–188 (1935)CrossRef
19.
Guyon, I., Weston, J., Barnhill, S., Vapnik, V.: Gene selection for cancer classification using support vector machines. Mach. Learn. 46(1–3), 389–422 (2002)MATHCrossRef
20.
21.
Hand, D.J., Mannila, H., Smyth, P.: Principles of Data Mining. MIT Press, Cambridge (2001)
22.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning: Data Mining, Inference and Prediction. Springer, New York (2001)CrossRef
23.
24.
Martens, D., Baesens, B., Gestel, T.: Decompositional rule extraction from support vector machines by active learning. IEEE Trans. Knowl. Data Eng. 21(2), 178–191 (2009)CrossRef
25.
Platt, J.C.: Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods. In: Smola, A., et al. (eds.) Advances in Large Margin Classifiers, pp. 61–74. MIT Press, Cambridge (2000)
26.
Poulet, F.: SVM and graphical algorithms: a cooperative approach. In: Proceedings of the Fourth IEEE International Conference on Data Mining, pp. 499–502 (2004)
27.
28.
Suykens, J.A.K., Van Gestel, T., de Brabanter, J., de Moor, B., Vandewalle, J.: Least Squares Support Vector Machines. World Scientific, Singapore (2002)MATHCrossRef
29.
Tan, P.N., Steinbach, M., Kumar, V.: Introduction to Data Mining. Addison-Wesley, Boston (2006)
30.
31.
32.
Vapnik, V.N.: : Estimation of Dependences Based on Empirical Data. Empirical Inference Science: Afterword of 2006. Springer, New York (2006)
33.
Wang, X., Wu, S., Li, Q.: SVMV—a novel algorithm for the visualization of SVM classification results. In: Wang, J., et al. (eds.) Advances in Neural Networks. Lecture Notes in Computer Science, vol. 3971, pp. 968–973. Springer, Berlin (2006)
34.
Witten, I.H., Frank, E.: Data Mining: Practical Machine Learning Tools and Techniques. Elsevier, Amsterdam (2005)
35.
Zitzewitz, E.: Who cares about shareholders? Arbitrage proofing mutual funds. J. Law Econ. Organ. 19(2), 245–280 (2003)CrossRef
Metadaten
Titel
Interpretation of Black-Box Predictive Models
verfasst von
Vladimir Cherkassky
Sauptik Dhar
Copyright-Jahr
2015
Buch
Measures of Complexity

Print ISBN: 978-3-319-21851-9

Electronic ISBN: 978-3-319-21852-6

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-21852-6_19