AAAG最新发文！GeoShapley：一种测量机器学习

AAAG最新发文！GeoShapley：一种测量机器学习模型中空间效应的博弈论方法 本文介绍了GeoShapley，这是一种用于测量机器学习模型中空间效应的博弈论方法。GeoShapley扩展了博弈论中的诺贝尔奖得主Shapley价值框架，将位置概念化为模型预测博弈中的参与者，从而能够量化位置的重要性以及位置与模型中其他特征之间的协同作用。GeoShapley是一种与模型无关的方法，可以应用于各种结构中的统计或黑盒机器学习模型。GeoShapley的解释与用于解释空间效应的空间变化系数模型和用于解释非空间效应的加性模型直接相关。使用模拟数据，针对已知的数据生成过程验证 GeoShapley 值，并用于七种统计和机器学习模型的交叉比较。房价建模的实证示例用于说明GeoShapley的效用和真实世界数据的解释。 GeoShapley可以以与模型无关的方式测量空间和非空间效应，可用于解释统计和机器学习模型。本文制定了 GeoShapley，开发了高效的估计算法，并创建了一个开源的 Python 包。本文的组织结构如下。下一节将介绍 Shapley 值的基础知识。然后，我描述了GeoShapley的原理和估计方法，然后提供了仿真示例，以验证GeoShapley与地面实况的对比，并证明其在各种统计和机器学习方法中的实用性。然后介绍了大西雅图地区房地产房价建模的经验示例。最后，在结束之前，将讨论GeoShapley和XAI给地理学家带来的机遇和挑战。 GeoShapley从博弈论中的经典Shapley价值框架扩展而来，将位置特征视为模型预测博弈中的参与者。GeoShapley值是基于联合Shapley和Shapley交互框架制定的，并由核SHAP估计。GeoShapley能够量化模型中的内在位置效应、位置与其他要素之间的交互效应以及剩余的线性或非线性效应。GeoShapley的解释与解释空间效应的空间变化系数模型直接相关。GeoShapley的解释准确性在具有已知数据生成过程的真实模型上进行了验证，其实用性在模拟数据和真实世界数据中都得到了证明。GeoShapley 以开源 Python 包 geoshapley 的形式提供。