提出可理解性感知特征选择算法

研究将基于用户反馈的特征可理解性分数融入特征选择，提出可理解性感知算法，筛出既易懂又有信息量的特征子集并训练随机森林。基于 SHAP 的解释经用户评估显示，可理解性解释平均得分更高但差异不显著，而对比评估中参与者偏好比例显著高于随机水平。该集成方式以极小分类性能代价换取更易懂的解释，质量变化仍需更大样本验证。

摘自 arXiv：cs.AI

还没有足够的连续观测数据，暂不绘制趋势。