加权朴素贝叶斯分类器的Shapley解释几何研究

2026年10月9日，arXiv Statistics Machine Learning 发布论文《从对数几率到 Shapley 值：加权朴素贝叶斯分类器的解释几何》。研究为加权朴素贝叶斯分类器构建解释空间，先从基于条件对数似然的经典监督距离出发，再提出与分类决策更直接相关的对数几率判别式重构。论文证明，该表示诱导的距离与解析 Shapley 值向量的 ℓ1 距离完全一致，从而为模型诱导的几何结构提供形式化解释。作者还用 k 近邻分类器实证比较了多种由这些表示导出的监督距离，揭示监督距离、局部解释与预测行为之间的紧密联系。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。