GRASP: Un Nuovo Metodo di Selezione delle Caratteristiche per la Predizione Medica

I ricercatori hanno sviluppato GRASP, un nuovo framework per la selezione delle caratteristiche nella predizione medica che combina l'attribuzione del valore di Shapley con la regolarizzazione di gruppo L21. Il metodo estrae prima i punteggi di importanza a livello di gruppo da un modello ad albero pre-addestrato utilizzando SHAP, quindi applica una regressione logistica regolarizzata con gruppo L21 per imporre una sparsità strutturata, producendo insiemi di caratteristiche compatti e non ridondanti. Test comparativi contro LASSO, SHAP e metodi di deep learning mostrano che GRASP raggiunge un'accuratezza predittiva comparabile o superiore, selezionando caratteristiche meno numerose, meno ridondanti e più stabili. L'approccio affronta i limiti chiave dei metodi esistenti come LASSO, che spesso mancano di robustezza e interpretabilità. L'articolo è disponibile su arXiv nelle categorie di informatica e machine learning.