Function Trees: Transparent Machine Learning

机器学习算法的输出通常可以用一个或多个多元函数表示其输入变量。了解这些函数的全局特性有助于理解生成数据的系统，以及解释和说明相应的模型预测。本文介绍了一种将一般多元函数表示为简单函数树的方法。这个树通过揭示和描述其输入变量子集的联合影响，揭示了函数的全局内部结构。给定输入和相应的函数值，构建一个函数树，可以快速识别和计算函数的所有主要和交互效应，直至高阶。涉及多达四个变量的交互效应以图形方式可视化。

本论文旨在将多元函数表示为简单函数的树形结构，以揭示函数的全局内部结构并描述其输入变量子集的联合影响，从而帮助理解数据产生的系统以及解释相应的模型预测。

该论文提出了一种将多元函数表示为简单函数树的方法，可以快速识别和计算函数的所有主要和交互作用，从而揭示函数的全局内部结构。

该方法可以将多元函数表示为树形结构，从而揭示函数的全局内部结构，并描述其输入变量子集的联合影响。该方法可以用于快速识别和计算所有主要和交互作用，包括涉及四个变量的交互作用。该论文使用了一些数据集进行实验，并提供了开源代码。

在这个领域中，还有一些相关的研究，例如“Interpretable Machine Learning: A Guide for Making Black Box Models Explainable”和“Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI”。