对数几率到沙普利值：加权朴素贝叶斯分类器的解释几何，距离竟与沙普利值ℓ1距离完全一致！
From Log-Odds to Shapley Values: An Explanatory Geometry for the Weighted Naive Bayes Classifier
📖 AI 总结
本文研究加权朴素贝叶斯分类器的可解释空间构建问题。作者从基于条件对数似然的经典监督距离出发，提出一种基于对数几率的判别式重构方法，使表示形式与分类决策直接关联。研究证明，该表示所诱导的距离恰好等价于解析Shapley值向量之间的ℓ1距离，从而为模型所诱导的几何结构提供了形式化的可解释性解释。作者进一步使用k近邻分类器，对由这些表示导出的多种监督距离进行了实证比较。该工作从方法论角度揭示了监督距离、局部解释与预测行为之间的紧密联系，为理解朴素贝叶斯分类器的决策机制提供了新的理论视角。
🔑 关键词速览
| 加权朴素贝叶斯分类器 | 一种朴素贝叶斯分类器的变体，为不同特征赋予不同权重以提升分类性能。 |
| 对数几率 | 事件发生概率与不发生概率之比的自然对数，常用于将概率映射到实数域。 |
| 沙普利值 | 源自合作博弈论的概念，用于公平分配每个特征对模型预测的贡献值。 |
| 监督距离 | 基于模型监督信息（如条件对数似然）定义的距离度量，用于衡量样本或表示之间的相似性。 |
| $\ell_1$ 距离 | 向量元素绝对差之和，也称为曼哈顿距离或出租车距离。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅