XAI-reduct:使用可解释的AI进行心脏病分类,尽管减少了维度,但仍保持了准确性

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 机器学习 (ML) 模型被广泛用于心脏病分类,但往往充当"黑子",阻碍解释性.
• "维度的诅咒"是一个挑战,使资源密集型的分类必须使用综合特征向量 (CFV).

研究的目的:

• 通过可解释的人工智能 (XAI) 来减少心脏病分类中的维度.
• 为了保持分类的准确性,同时提高模型的解释性.
• 识别导致心脏病诊断的关键特征.

主要方法:

• 使用四种可解释的ML模型与SHapley添加式扩展 (SHAP) 进行分类.
• 整合了特征贡献 (FC) 和特征权重 (FW) 来生成一个缩小尺寸的特征子集 (FS).
• 在可解释的分类中使用XGBoost分类器的性能.

主要成果:

• XGBoost 证明了心脏病分类准确度与解释的优越性,比现有方法提高了 2%.
• 使用减少特征子集 (FS) 进行可解释的分类,超过了大多数现有的文献建议.
• 通过使用XGBoost分类器来增加可解释性,保持了准确性.
• 确定了心脏病诊断的四大关键特征,在XGBoost应用的五种可解释的技术中一致.

结论:

• 可解释的人工智能,特别是使用XGBoost与SHAP,有效地减少了心脏病分类的维度,而不会影响准确性.
• 这种方法提高了模型的解释性,并确定了关键的诊断特征.
• 这项研究代表了多种可解释的技术的新应用,以阐明XGBoost用于心脏病诊断.