MDA for random forests: inconsistency, and a practical solution via the\n Sobol-MDA
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Variable importance measures are the main tools to analyze the black-box\nmechanisms of random forests. Although the mean decrease accuracy (MDA) is\nwidely accepted as the most efficient variable importance measure for random\nforests, little is known about its statistical properties. In fact, the\ndefinition of MDA varies across the main random forest software. In this\narticle, our objective is to rigorously analyze the behavior of the main MDA\nimplementations. Consequently, we mathematically formalize the various\nimplemented MDA algorithms, and then establish their limits when the sample\nsize increases. This asymptotic analysis reveals that these MDA versions differ\nas importance measures, since they converge towards different quantities. More\nimportantly, we break down these limits into three components: the first two\nterms are related to Sobol indices, which are well-defined measures of a\ncovariate contribution to the response variance, widely used in the sensitivity\nanalysis field, as opposed to the third term, whose value increases with\ndependence within covariates. Thus, we theoretically demonstrate that the MDA\ndoes not target the right quantity to detect influential covariates in a\ndependent setting, a fact that has already been noticed experimentally. To\naddress this issue, we define a new importance measure for random forests, the\nSobol-MDA, which fixes the flaws of the original MDA, and consistently\nestimates the accuracy decrease of the forest retrained without a given\ncovariate, but with an efficient computational cost. The Sobol-MDA empirically\noutperforms its competitors on both simulated and real data for variable\nselection. An open source implementation in R and C++ is available online.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle