分类场景中部分依赖图(PDP)两种新型易解释特征效应指标的创新研究

来自国际研究团队的最新成果聚焦机器学习可解释性领域，针对分类任务中部分依赖图(PDP)特征重要性量化难题，创新性提出两种具备数学严谨性和临床可解释性的新型效应指标。该研究通过理论推导与实证分析相结合，开发出可直接量化分类概率变化的特征效应评估体系，为生物医学特征选择提供可视化决策工具。

　　

这项突破性研究揭示了机器学习模型"黑箱"的可解释化新路径。针对分类任务中的特征效应评估，研究团队巧妙设计出两种创新指标：第一种指标通过积分变换量化特征值变化引起的预测概率偏移，第二种采用概率弹性系数刻画特征扰动对分类边界的影响强度。实验证明，相较于传统PDP分析方法，新指标能更灵敏地检测非线性相互作用特征(non-linear interaction features)，特别是在生物标志物(biomarker)筛选中展现出独特优势。通过引入概率微分几何框架，研究者成功建立了特征效应值与临床可解释性之间的数学桥梁，其指标计算过程兼容随机森林(RF)和梯度提升树(GBDT)等主流算法。这项成果为精准医学中的变量选择提供了量化新工具，使得模型决策依据可被临床医生直观理解。