Feature Importance and Explainability in Quantum Machine Learning

许多机器学习（ML）模型被称为黑匣子模型，无法提供预测的原因。特征重要性和可解释性对于增加ML模型的透明度和信任特别重要，尤其是在医疗保健和金融等领域。量子计算具有独特的能力，例如利用量子力学现象（如叠加）与ML技术相结合，创建量子机器学习（QML）领域，这些技术可以应用于QML模型。本文探讨了QML与经典ML模型相比的特征重要性和可解释性。使用广泛认可的Iris数据集，将经典ML算法（如SVM和随机森林）与混合量子对应物相比较，这些对应物是通过IBM的Qiskit平台实现的：变分量子分类器（VQC）和量子支持向量分类器（QSVC）。本文旨在通过使用排列和留一法特征重要性方法以及ALE（累积局部效应）和SHAP（Shapley加性解释器）解释器来比较ML生成的见解。

比较经典机器学习模型和量子机器学习模型中特征重要性和可解释性的差异。

利用IBM的Qiskit平台实现变分量子分类器（VQC）和量子支持向量分类器（QSVC）来比较经典机器学习算法（如SVM和随机森林）和混合量子算法的特征重要性和可解释性。

使用经典数据集Iris，采用排列和留一法特征重要性方法，以及ALE和SHAP解释器比较经典机器学习算法和混合量子算法的特征重要性和可解释性。研究还探讨了量子机器学习的优势和限制，并提出了未来的研究方向。

与该研究相关的其他研究包括“Quantum-enhanced machine learning”和“Quantum machine learning for data scientists”。