人工智能或机器学习固然很香,但也不是毫无缺点。这最为人头疼的就是其'黑盒'问题,即模型预测性能可能固然很高,但是由于模型过于复杂,无法解释其到底是怎么产生预测结果的!遇到这种'黑盒'模型,都有哪些常见方法可以搞定呢?
在谈论'黑盒'模型前,先谈谈'白盒'模型,也就是模型很容易为人所理解。这其中用得最多的就是回归模型了,比如多元线性回归、logistic回归、Cox回归等。回归为啥可解释性好呢?因为回归模型可以提供回归系数,其反映了该解释变量对被解释变量的影响大小。除了回归,机器学习中也有一小撮模型具有比较好的可解释性,比如决策树就是最经典的,其每一条决策路径都是十分形象的。下面,列举几种最常用的'黑盒'模型可解释性技术,供各位参考。各种技术的详细解读,可参阅往期推文或文献资料。
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。