УДК 004.8.
DOI: 10.36871/ek.up.p.r.2024.12.15.025
Авторы
Фан Суан Кхием,
Академия криптографической инженерии, г. Ханой, Вьетнам
Зурида Борисовна Батчаева,
Лиана Казбековна Катчиева,
Северо-Кавказская Государственная Академия, г. Черкесск, Российская Федерация
Аннотация
В статье рассматривается гибридизация методов машинного обучения и статистики с целью повышения интерпретируемости моделей. Интерпретируемость является ключевым фактором для принятия решений в таких областях, как медицина, финансы и социальные науки, где прозрачность алгоритмов имеет критическое значение. Предложенный подход сочетает точность и гибкость машинного обучения с аналитическими возможностями статистических методов. Рассматриваются способы интеграции, включая использование доверительных интервалов, байесовских методов, анализа главных компонент и подходов пост-хок интерпретации, таких как SHAP. Результаты демонстрируют, что гибридные методы позволяют обосновывать значимость предикторов, учитывать неопределенности предсказаний и адаптировать уровень объяснений под потребности различных пользователей. Обсуждаются преимущества, ограничения и перспективы дальнейшего развития гибридных подходов. Работа открывает новые возможности для создания прозрачных и надежных моделей, применимых в критически важных задачах.
Ключевые слова
гибридные методы, машинное обучение, статистика, интерпретируемость моделей, доверительные интервалы, вероятностные модели, SHAP, PCA, объяснимость
