机器学习可解释性系列 - 是什么&为什么&怎么做
机器学习可解释性分析 可解释性通常是指使用人类可以理解的方式，基于当前的业务，针对模型的结果进行总结分析； 一般来说，计算机通常无法解释它自身的预测结果，此时就需要一定的人工参与来完成可解释性工作； 目录： 是什么：什么叫可解释性； 为什么：为什么要对模型结果进行解释 ...
原文：XAI/MLI 可解释机器学习系列1- 开源&paper汇总
一直在关注可解释机器学习领域，因为确实在工作中有许多应用 模型检查，特征重要性是否符合预期和AUC一样重要 模型解释，比起虚无缥缈的模型指标，解释模型学到的规律更能说服业务方 样本解释，为什么这些用户会违约，是否有指标能提前预警 决策归因，有时模型只是提取pattern的方式，最终需要给到归因 决策，例如HTE模型和XAI结合是否也是一种落地方式 年被H O Driverless AI 提供的可解 ...
2020-06-14 22:03 0 695 推荐指数：
相关推荐
InterpretML 微软可解释性机器学习包
为实践者和研究者提供机器学习可解释性算法的开源 Python 软件包。InterpretML 能提供以下两种 ...
谈谈机器学习模型的可解释性
深度学习一直被认为是一个黑盒子，但是试图对模型的理解仍然是非常必要的。先从一个例子来说明解释神经网络的重要性：古代一个小镇上的一匹马能够做数学题，比如给它一个题目 2+3 ，它踏马蹄 5 下后就会停下，这匹马被当地称作神马汉斯。后来人们发现，汉斯其实并不会做数学题，它通过观察主人的反应来判断 ...
【笔记】机器学习 - 李宏毅 -- Explainable ML 可解释性机器学习
课程笔记 前言 两种可解释性： 局部解释：为什么这种图是猫？ 全局解释：猫是什么样子的？ 为什么需要可解释机器学习？（打开黑盒） 一般的提升效果的方法就是一顿暴调参数，可解释性可以帮助我们更好地提升模型性能。 其实人也是个黑盒（这个观点太6了）。 可解释机器学习的目标，不需要 ...
【机器学习与R语言】1-机器学习简介
目录 1.基本概念 2.选择机器学习算法 3.使用R进行机器学习 1.基本概念 机器学习：发明算法将数据转化为智能行为 数据挖掘 VS 机器学习：前者侧重寻找有价值的信息，后者侧重执行已知的任务。后者是前者的先期准备 过程：数据——> ...
机器学习xgboost参数解释笔记
首先xgboost有两种接口，xgboost自带API和Scikit-Learn的API，具体用法有细微的差别但不大。 在运行 XGBoost 之前, 我们必须设置三种类型的参数: （常规参数）ge ...
关于深度学习的可解释性
在这里学习的，在此简要做了些笔记。 壹、可解释性概述 1. 可解释性是什么 人类对模型决策/预测结果的理解程度。 对于深度学习而言，可解释性面临两个问题：①为甚会得到该结果？（过程）②为甚结果应该是这个？（结果） 理想状态：通过溯因推理，计算出输出结果，可是实现较好的模型解释性。 衡量一个 ...