As mentioned, our approach builds o

As mentioned, our approach builds on the explanations proposed by Martens & Provost (2014), who developed and applied counterfactual explanations for document classifications, defining an explanation as an irreducible set of words such that removing them from a document changes its classification. 4 We generalize counterfactual explanations in three important ways. First, we generalize to broader system decisions, which may incorporate predictions from multiple predictive models. Second, their explanations consist of removing features by setting them to zero, whereas we generalize to arbitrary methods for removing features (and note the important relationship to methods for dealing with missing data). Third, while their approach has been applied in other contexts beyond document classification (Chen et al., 2016; Moeyersoms et al., 2016), these applications all have the same data structure: high-dimensional, sparse, binary features. Our generalization applies to data with arbitrary data types.

結果 (繁體中文) 1:

如前所述，我們的方法建立在誰開發和應用文檔分類反解釋由馬滕斯和教務長（2014），提出了解釋，定義解釋的束縛組詞這樣的，從一個文檔中刪除他們改變其分類。4，我們推廣了三個重要的方面反解釋。首先，我們推廣到更廣泛的系統決策，這可以合併來自多個預測模型的預測。其次，他們的解釋包括將它們設置為零，而我們推廣到任意的方法刪除功能（並注意方法處理數據缺失的重要關係）刪除功能的。第三，雖然他們的做法已經超出文檔分類其他情況下被應用（Chen等人，2016年。Moeyersoms等，2016），這些應用程序都具有相同的數據結構：高維，稀疏，二進制特徵。我們的推廣應用到任意數據類型的數據。

結果 (繁體中文) 2:

如前所述，我們的方法以 Martens & Provost （2014） 提出的解釋為基礎，他為文檔分類制定並應用了反事實解釋，將解釋定義為一組不可還原的詞語，以便將其從文檔更改其分類。4 我們從三個重要方面概括反事實解釋。首先，我們概括到更廣泛的系統決策，其中可能包含來自多個預測模型的預測。其次，它們的解釋包括通過將要素設置為零來刪除要素，而我們概括為刪除要素的任意方法（並注意與處理缺失資料的方法的重要關係）。第三，雖然它們的方法已應用於檔分類以外的其他情況（Chen等人，2016年;Moeyersoms 等人，2016），這些應用程式都具有相同的資料結構：高維、稀疏、二進位特徵。我們的概括適用于具有任意資料類型的資料。

結果 (繁體中文) 3:

如前所述，我們的方法建立在Martens&Provost（2014）提出的解釋的基礎上，他開發並應用了檔案分類的反事實解釋，將解釋定義為一組不可約的詞，這樣從檔案中删除它們就會改變其分類。4我們從三個重要方面概括了反事實的解釋。首先，我們推廣到更廣泛的系統決策，其中可能包含來自多個預測模型的預測。其次，它們的解釋包括通過將特徵設定為零來移除特徵，而我們將其概括為移除特徵的任意方法（並注意與處理遺失數據的方法的重要關係）。第三，雖然它們的方法已經應用於檔案分類以外的其他上下文（Chen等人，2016；Moeyersoms等人，2016），但這些應用都具有相同的資料結構：高維、稀疏、二進位特徵。我們的泛化適用於具有任意資料類型的數據。