Deciphering AutoML Ensembles: cattleia's Assistance in Decision-Making

在许多应用中，模型集成比单个预测模型更好。因此，这是自动化机器学习（AutoML）中最常见的后处理技术。最流行的框架使用集成来降低最终模型的可解释性。在我们的工作中，我们提出了cattleia——一种用于解密回归、多类和二元分类任务的集成应用。该工具适用于由三个AutoML包构建的模型：auto-sklearn、AutoGluon和FLAML。给定的集成从不同的角度进行分析。我们通过评估集成和其组成模型的评估指标进行预测性能调查。我们通过引入新的度量方法来评估模型预测的多样性和互补性，扩展了验证视角。此外，我们应用可解释的人工智能（XAI）技术来检查变量的重要性。总结所获得的见解，我们可以使用修改工具调整权重，以期望的方式调整集成。该应用程序通过专门的交互式可视化提供上述方面，使其可供广泛的受众使用。我们相信，cattleia可以支持用户进行决策，并加深对AutoML框架的理解。

本论文试图解决Automated Machine Learning (AutoML)中模型集成的可解释性问题，提出了一种名为cattleia的应用程序，用于解释AutoML框架中的集成模型。

论文提出了一种名为cattleia的应用程序，可以从不同角度分析集成模型，并提供交互式可视化来展示分析结果。除了传统的预测性能评估之外，该应用程序还引入了新的度量方法来评估模型预测的多样性和互补性，并应用可解释人工智能（XAI）技术来检查变量的重要性。通过这些分析，用户可以对集成模型进行微调，以实现所需的效果。

该应用程序可以分析AutoML框架中的三种模型：auto-sklearn、AutoGluon和FLAML。论文还介绍了实验设计和使用的数据集，并提供了开源代码。该应用程序可以帮助用户做出决策，并加深对AutoML框架的理解。

最近的相关研究包括使用XAI技术来解释模型预测的可解释性，以及使用自动机器学习技术来构建模型。相关论文包括“Interpretable Machine Learning: A Brief History, State-of-the-Art and Challenges”和“AutoML: A Survey of the State-of-the-Art”。