Resumen: Dado un modelo de clasificación y una predicción para algunos aportes, existen estrategias heurísticas para las características de clasificación de acuerdo con su importancia con respecto a la predicción. Un enfoque común para esta tarea está enraizado en la lógica proposicional y la noción de textit {razón suficiente}. A través de este concepto, se propusieron las categorías de características relevantes y necesarias para identificar los aspectos cruciales de la entrada. Este documento mejora las técnicas y algoritmos existentes para decidir cuáles son las características relevantes y/o necesarias, que muestran en particular que la necesidad puede detectarse de manera eficiente en modelos complejos como redes neuronales. También generalizamos la noción de relevancia y problemas asociados al estudio. Además, presentamos una nueva noción global (es decir, que tiene la intención de explicar si una característica es importante para el comportamiento del modelo en general, no dependiendo de una entrada particular) de textit {utensileza} y demostrar que está relacionada con la relevancia y la necesidad. Además, desarrollamos algoritmos eficientes para detectarlo en árboles de decisión y otros modelos más complejos, y experimentamos en tres conjuntos de datos para analizar su utilidad práctica.
Publicado Originalme en rss.arxiv.org El 15 de mayo de 2025.
Ver Fuente Original
