11、深度神经网络解释与LIME方法应用

深度神经网络解释与LIME方法应用

1. 模型性能对比

在模型评估中，我们对比了基线模型和深度神经网络（DNN）模型的性能。基线模型在召回率方面，对于正类能达到100%，但对于负类的召回率为0。而DNN模型整体表现远优于基线模型，其精度达到了98.1%，比基线模型提高了35.4%，F1分数为96.2%，比基线模型提高了19.1%。具体性能对比如下：
| 模型 | 精度（%） | 召回率（%） | F1分数（%） |
| — | — | — | — |
| 基线模型1 | 62.7 | 100 | 77.1 |
| DNN模型 | 98.1 (+35.4) | 94.4 (–5.6) | 96.2 (+19.1) |

我们可以通过调整模型的超参数来进一步提升模型性能，例如改变网络结构（隐藏层数量和每层的单元数）以及训练的轮数。此外，由于部分输入特征之间存在高度相关性，去除一些冗余特征也有助于提高模型性能。

2. DNN预测的复杂性

使用DNN进行预测时，数据需要经过多个层，每层包含多个单元。每层的输入会根据单元的权重和激活函数进行非线性变换。以之前用于乳腺癌检测的相对简单的架构为例，一次预测大约涉及890次数学运算，具体训练参数如下：
| 模块 | 参数 |
| — | — |
| linear0.weight | 600 |
| linear0.bias | 20 |
| linear1.weight | 200 |
| linear1.bias | 10 |
| linear2.weight | 50 |
| linear2.bias