Построение интерпретируемых ML-моделей в задачах геоаналитики

В Bestplace, решая задачи машинного обучения в геоаналитике, мы регулярно сталкиваемся с проблемой обучения ML-моделей на небольших выборках (от десятков точек до десятков тысяч точек) при высоких требованиях к интерпретируемости модели. Стандартные подходы к интерпретации градиентных бустингов не устраивают бизнес-заказчиков, а линейные модели не удовлетворяют по качеству.

Мы реализовали свой алгоритм машинного обучения «Физмодель». Его особенности:

• хорошо подходит для обучения на небольших выборках;
• прозрачно интерпретируется;
• позволяет внести априорное «знание об окружающем мире» в итоговую модель;
• на наших кейсах его работа сравнима по метрикам с XGBoost / CatBoost.

Расскажем, как пришли к такой модели, обсудим детали ее реализации и приведем примеры со сравнением XGBoost / CatBoost на реальных геоаналитических задачах.