亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Extracting spatial effects from machine learning model using local interpretation method: An example of SHAP and XGBoost

人工智能 机器学习 计算机科学 Boosting(机器学习) 口译(哲学) 梯度升压 空间生态学 随机森林 生物 生态学 程序设计语言
作者
Ziqi Li
出处
期刊:Computers, Environment and Urban Systems [Elsevier]
卷期号:96: 101845-101845 被引量:237
标识
DOI:10.1016/j.compenvurbsys.2022.101845
摘要

Machine learning and artificial intelligence (ML/AI), previously considered black box approaches, are becoming more interpretable, as a result of the recent advances in eXplainable AI (XAI). In particular, local interpretation methods such as SHAP (SHapley Additive exPlanations) offer the opportunity to flexibly model, interpret and visualise complex geographical phenomena and processes. In this paper, we use SHAP to interpret XGBoost (eXtreme Gradient Boosting) as an example to demonstrate how to extract spatial effects from machine learning models. We conduct simulation experiments that compare SHAP-explained XGBoost to Spatial Lag Model (SLM) and Multi-scale Geographically Weighted Regression (MGWR) at the parameter level. Results show that XGBoost estimates similar spatial effects as those in SLM and MGWR models. An empirical example of Chicago ride-hailing modelling is presented to demonstrate the utility of SHAP with real datasets. Examples and evidence in this paper suggest that locally interpreted machine learning models are good alternatives to spatial statistical models and perform better when complex spatial and non-spatial effects (e.g. non-linearities, interactions) co-exist and are unknown.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
思源应助liuqizong123采纳,获得30
13秒前
lixuebin完成签到 ,获得积分10
37秒前
自由的梦露完成签到 ,获得积分10
1分钟前
FashionBoy应助AireenBeryl531采纳,获得10
1分钟前
2分钟前
2分钟前
4分钟前
5分钟前
李健应助心平气和采纳,获得10
5分钟前
Lucas应助可靠的寒风采纳,获得10
5分钟前
5分钟前
心平气和发布了新的文献求助10
5分钟前
5分钟前
烟花应助科研通管家采纳,获得10
5分钟前
danniers完成签到,获得积分10
5分钟前
liuqizong123发布了新的文献求助10
5分钟前
liuqizong123完成签到,获得积分10
5分钟前
6分钟前
6分钟前
6分钟前
6分钟前
嘤嘤怪完成签到 ,获得积分10
6分钟前
6分钟前
Wei发布了新的文献求助10
6分钟前
数学情缘完成签到 ,获得积分10
7分钟前
oracl完成签到 ,获得积分10
7分钟前
7分钟前
7分钟前
7分钟前
Jeriu发布了新的文献求助10
7分钟前
7分钟前
Jeriu完成签到,获得积分10
7分钟前
Wei发布了新的文献求助10
7分钟前
Jasper应助笨笨小熊猫采纳,获得10
7分钟前
8分钟前
神说要有光完成签到,获得积分10
8分钟前
Wei发布了新的文献求助10
8分钟前
王柯文完成签到,获得积分10
8分钟前
Wei发布了新的文献求助10
8分钟前
安详跳跳糖完成签到,获得积分10
8分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3154982
求助须知:如何正确求助?哪些是违规求助? 2805698
关于积分的说明 7865798
捐赠科研通 2463927
什么是DOI,文献DOI怎么找? 1311677
科研通“疑难数据库(出版商)”最低求助积分说明 629688
版权声明 601853