趋近智
评估合成数据质量：高级方法
章节 1: 合成数据评估的基本原理
定义数据质量的维度
评估生成数据的挑战
保真度、实用性与隐私的权衡
评估指标分类体系
建立评估环境
章节 2: 进阶统计保真度评估
多变量分布比较
分布相似性的假设检验
相关性和协方差结构分析
信息论度量
倾向得分评估
动手实践：实现多变量检验
章节 3: 评估机器学习效用
合成数据训练-真实数据测试 (TSTR) 方法
训练-真实-测试-合成 (TRTS) 方法
比较下游模型性能指标
评估特征重要性一致性
超参数优化带来的影响
动手实践：运行TSTR评估
章节 4: 隐私评估方法
了解合成数据中的隐私风险
成员推断攻击 (MIAs)
属性推断攻击
基于距离的隐私度量
差分隐私考量（如适用）
实践操作：实现一个基本的成员推断攻击
章节 5: 专用和模型特定评估指标
评估合成图像：FID、IS、精确率、召回率
评估合成文本：困惑度、BLEU分数
评估合成时间序列数据
生成对抗网络（GAN）评估指标
VAE评估指标
动手操作：图像数据FID计算
章节 6: 构建全面的评估报告
为任务选择合适的衡量标准
自动化评估管线
有效地呈现评估结果
解读与沟通评估结果
比较不同合成数据集的性能
实践：生成质量报告片段
评估特征重要性一致性
这部分内容有帮助吗？
- A Unified Approach to Interpreting Model Predictions, Scott M. Lundberg and Su-In Lee, 2017 Advances in Neural Information Processing Systems 30, Vol. 30 (Curran Associates, Inc.) DOI: 10.5555/3295222.3295325 - 介绍SHAP（Shapley加性解释）值的基础论文，旨在实现一致且局部准确的特征归因。
- Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Christoph Molnar, 2020 (Lulu.com (self-published online book)) - 一本内容广泛的在线书籍，涵盖了多种特征重要性方法（包括置换重要性）和模型可解释性技术。
- Permutation importance, scikit-learn developers, 2023 - scikit-learn
permutation_importance函数的官方文档，包含解释和使用示例。