遇到黑盒模型，你会选择什么方法来解释呢？小编给大家整理了一些常用技术~

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。