שאלה | חוקר בתחום מדעי הנתונים הרפואיים בונה מודל machine learning כדי לחזות את הסיכון של מטופלים לפתח סוכרת מסוג 2. לאחר אימון המודל, החוקר מעוניין להעריך את החשיבות היחסית של כל מאפיין (גיל, BMI, היסטוריה משפחתית, רמת גלוקוז בצום וכו') בתחזיות המודל. איזו מהשיטות הבאות תהיה המתאימה ביותר להערכת חשיבות המאפיינים בצורה גלובלית ואמינה, תוך התחשבות במאפיינים של מודלים מורכבים ("קופסה שחורה")?

חוקר בתחום מדעי הנתונים הרפואיים בונה מודל machine learning כדי לחזות את הסיכון של מטופלים לפתח סוכרת מסוג 2. לאחר אימון המודל, החוקר מעוניין להעריך את החשיבות היחסית של כל מאפיין (גיל, BMI, היסטוריה משפחתית, רמת גלוקוז בצום וכו') בתחזיות המודל. איזו מהשיטות הבאות תהיה המתאימה ביותר להערכת חשיבות המאפיינים בצורה גלובלית ואמינה, תוך התחשבות במאפיינים של מודלים מורכבים ("קופסה שחורה")?

		שימוש בשיטת "Partial Dependence Plot (PDP)" כדי להעריך את ההשפעה השולית של כל מאפיין על התוצאה החזויה.
		ניתוח מקדמי רגרסיה ליניארית (Linear regression coefficients).
		שימוש בשיטת "SHapley Additive exPlanations (SHAP)" כדי לחשב את ערכי Shapley עבור כל מאפיין ולמדוד את החשיבות הממוצעת של כל מאפיין על פני כל הדגימות.
		. שימוש בעצי החלטה (Decision Trees) ומדידת הפחתת השונות או מדד ג'יני (Gini index) בכל פיצול.

מיין לפי