Understanding how different alterna

Understanding how different alternatives for dealing with missing features may affect explanations is another interesting direction for future research. For example, if features are correlated, mean imputation and retraining the model without the removed feature may produce different results. For instance, a decision may change when imputing the mean for a removed feature, but if a new model without the feature is trained, the same decision may not change when removing the feature if the remaining features capture most of the information given by the removed feature. Therefore, while our proposed framework can work with either approach, future research should discuss the advantages of each approach in various settings.

結果 (繁體中文) 1:

了解各種不同的替代品與缺少的功能處理可能影響的解釋是未來研究的另一個有趣的方向。例如，如果特徵是相關的，平均插補和再培訓的模型，而不會被去除的特徵可以產生不同的結果。舉例來說，一個決定可能歸咎於平均為刪除功能時改變，但如果沒有該功能的新模式進行訓練，刪除該功能時同樣的決定可能不會改變，如果由刪除對信息的其餘功能捕捉最特徵。因此，雖然我們提出的框架，可以用兩種方法工作，今後的研究應討論各種設置每一種方法的優點。

結果 (繁體中文) 2:

瞭解處理缺失特徵的不同備選方案如何影響解釋是未來研究的另一個有趣方向。例如，如果要素是相關的，則平均插值和重新訓練模型而不刪除特徵可能會產生不同的結果。例如，在估計已移除要素的平均值時，決策可能會更改，但如果訓練了沒有該要素的新模型，則如果其餘要素捕獲已移除的大部分資訊，則刪除該特徵時，相同的決策可能不會更改特徵。因此，雖然我們提出的框架可以使用這兩種方法，但未來的研究應討論每種方法在各種環境中的優點。

結果 (繁體中文) 3:

瞭解處理缺失特徵的不同方法如何影響解釋是未來研究的另一個有趣方向。例如，如果特徵是相關的，則在沒有移除特徵的情况下，平均插補和重新訓練模型可能會產生不同的結果。例如，當為移除的特徵輸入平均值時，決策可能會改變，但是如果沒有該特徵的新模型被訓練，則在移除該特徵時，如果剩餘的特徵捕獲由移除的特徵給出的大部分資訊，則相同的決策可能不會改變。囙此，雖然我們提出的框架可以與任何一種方法協同工作，但未來的研究應該討論每種方法在不同環境下的優勢。